Cour AN SMA5 23 24

Cours d’Analyse Numérique II
SMA5.
M. Essaouini
2023-2024
Faculté des Sciences () Université Chouaib Doukkali 1 / 178

Problème de Cauchy
Introduction : Dé…nitions
soit le problème : Trouver une fonction y : I ! RM tel que
y 0 (t ) = f (t, y (t ))
(1)
y (t0 ) = y0
où I est un intervalle de R, f est une fonction de R RM vers RM et y 0

est la dérivée de y par rapport à t. y0 est la donnée initiale.
Le problème (1) est appelé problème de Cauchy.

Problème de Cauchy
Introduction : Dé…nitions
Dé…nitions
une équation di¤érentielle ordinaire d’ordre p s’écrit sous la forme
F (t, y , y 0 , y 00 , ..., y (p ) ) = 0
où y (t ) est une fonction sur un intervalle de R de classe C p et y (i )

désigne la dérivée d’ordre i. de y par rapport à t.
On appelle forme canonique d’une équation di¤érentielle d’ordre p une
expression de la forme:
y (p ) = f (t, y , y 0 , y 00 , ..., y (p 1)
)

Résolution numérique des équations di¤érentielles
Remarques
1 Toute équation di¤érentielle d’ordre p peut être écrite sous la forme
Z 0 = G (t, Z )
où G est une fonction vectorielle.

Remarques
Z 0 = G (t, Z )

2 Vu la remarque au dessus, dans toute la suite on s’interessera aux
problèmes de type (1)

Remarques
Z 0 = G (t, Z )

2 Vu la remarque au dessus, dans toute la suite on s’interessera aux
problèmes de type (1)
3 En dehors de quelques exemples simple d’équations di¤érentielles, la
solution analytique ne peut être calculées explcitement.

Un théorème d’existence et d’unicité
Théorème
On suppose que :
la fonction f (t, y ) est continue par rapport à ses deux variables.

Théorème
On suppose que :
la fonction f (t, y ) est lipschitzienne par rapport à la deuxième
variable, i.e.,

Théorème
On suppose que :
variable, i.e.,
9L > 0 telque kf (t, y1 ) f (t, y2 )k L. ky1 y2 k 8y1 , y2 2 RM

Théorème
On suppose que :
variable, i.e.,
Alors la solution y = y (t ) du problème (1) existe et elle est unique.

Théorème
On suppose que :
variable, i.e.,
Alors la solution y = y (t ) du problème (1) existe et elle est unique.

En plus elle est de classe C 1 .

Exemple
Soit l’équation
t2
y0 = e

Exemple
Soit l’équation
t2
y0 = e
dont la solution ne peut s’exprimer qu’à l’aide d’un développement en
série.

Exemple
Soit l’équation
t2
y0 = e
dont la solution ne peut s’exprimer qu’à l’aide d’un développement en
série.
C’est parmis les raisons qui ont poussé les chercheurs à développer les
méthodes numériques pour la résolution d’E.D.O. (qui admettent une
solution)

Discrétisation
Le principe de toutes les méthodes numériques consiste à subdiviser

l’intervalle I = [t0 , T ] avec T < +∞ en N intervalles de longueur
T t0
h= .
N

Discrétisation

T t0
h= .
N
h est appelé le pas de discrétisation.

Discrétisation

T t0
h= .
N
tn = t0 + nh pour n = 0, ..., N.

Discrétisation

T t0
h= .
N
tn = t0 + nh pour n = 0, ..., N.
On cherche un qui approche yn = y (tn ) où y désigne la solution de
(1).

Discrétisation

T t0
h= .
N
tn = t0 + nh pour n = 0, ..., N.
On cherche un qui approche yn = y (tn ) où y désigne la solution de
(1).
fu0 = y0 , u1 , ..., uN g est la solution numérique de (1).

Méthodes à un pas
Dé…nition
on appelle méthode (schéma) à un pas pour la résolution numérique
du problème(1) tout algorithme de construction des valeurs un qui
s’écrit sous la forme
u0 = y0
u n +1 u n (2)
h = Φ (tn , un , h) pour n = 0, ..., N 1.
où Φ est une fonction de R+ RM R+ à valeurs dans RM .

Méthodes à un pas
Dé…nition
u0 = y0
u n +1 u n (2)
h = Φ (tn , un , h) pour n = 0, ..., N 1.

u n +1 u n
Le terme h est obtenu en cherchant une approximation de
y 0 (tn ).

Méthodes à un pas
Dé…nition
u0 = y0
u n +1 u n (2)
h = Φ (tn , un , h) pour n = 0, ..., N 1.

u n +1 u n
y 0 (tn ).
La fonction Φ (tn , un , h) est obtenue par une approximation de
f (tn , un ).

Méthodes à un pas
Dé…nition
u0 = y0
u n +1 u n (2)
h = Φ (tn , un , h) pour n = 0, ..., N 1.

u n +1 u n
y 0 (tn ).
La fonction Φ (tn , un , h) est obtenue par une approximation de
f (tn , un ).
Le schéma numérique est dé…ni par cette fonction Φ.

Méthodes à un pas
Exemples

Méthodes à un pas
Exemples
schéma d’Euler explicite

Méthodes à un pas
Exemples
u0 = y0
u n +1 u n
h = f (tn , un )

Méthodes à un pas
Exemples
u0 = y0
u n +1 u n
h = f (tn , un )
schéma d’Euler implicit

Méthodes à un pas
Exemples
u0 = y0
u n +1 u n
h = f (tn , un )
u0 = y0
u n +1 u n
h = f (tn +1 , un +1 )

Méthodes à un pas
Exemples
u0 = y0
u n +1 u n
h = f (tn , un )
u0 = y0
u n +1 u n
h = f (tn +1 , un +1 )
est ce que un +1 existe? en d’autre termes : est ce que le shéma au
dessus est bien dé…ni ?

Méthodes à un pas : consistence
Dé…nition
pour n = 0, ..., N 1, on dé…nit l’erreur de consistence (ou erreur de
troncature locale) du shéma (2) au noeud tn par
yn +1 yn y ( tn + 1 ) y ( tn )
Rn = Φ (tn , yn , h) = Φ ( tn , y ( tn ) , h )
h h

Dé…nition
yn +1 yn y ( tn + 1 ) y ( tn )
h h
Le schéma (2) serait consistent si et ssi
max fjRn j , n = 0, ..., N 1g ! 0

h !0

Dé…nition
yn +1 yn y ( tn + 1 ) y ( tn )
h h
Le schéma (2) serait consistent si et ssi
max fjRn j , n = 0, ..., N 1g ! 0

h !0
Soit p 2 N , le schéma (2) serait consistent d’ordre p si et ssi il

existe C 2 R+ independante de h tel que :
max jRn j C .hp

0 n N 1

Méthodes à un pas : stabilité
Dé…nition
Le schéma (2) est dit stable si il existe h > 0 et R 2 R+ tel que
un 2 BR = fy / ky k Rg 8n = 0, ..., N
et ceci 8h 2 [0, h ].

Méthodes à un pas : stabilité
Dé…nition
Le schéma (2) est dit stable si il existe h > 0 et R 2 R+ tel que
un 2 BR = fy / ky k Rg 8n = 0, ..., N
et ceci 8h 2 [0, h ].
On dit que le schéma (2) est inconditionellement stable si en plus
h = +∞.

Méthodes à un pas : convergence
Dé…nition
On dé…nit l’erreur de discrétisation pour le schéma (2) par
en = yn un
on a

Dé…nition
en = yn un
Le schéma (2) serait convergent si lorsqu’on suppose que je0 j = 0
on a

Dé…nition
en = yn un
on a
max jen j ! 0
0 n N h !0

Dé…nition
en = yn un
on a
max jen j ! 0
0 n N h !0
Soit p 2 N , le schéma (2) est convergent d’ordre d’ordre p si et ssi

il existe C > 0 tel que si on suppose que je0 j = 0 on a

Dé…nition
en = yn un
on a
max jen j ! 0
0 n N h !0
Soit p 2 N , le schéma (2) est convergent d’ordre d’ordre p si et ssi

il existe C > 0 tel que si on suppose que je0 j = 0 on a
max jen j C .hp

0 n N
où C est indépendante de h.
Méthodes à un pas : Un résultat de convergence
Théorème
On se place dans les conditions du théorème d’existence et d’unicité de la
solution du problème de Cauchy. Soit le schéma (2)
On suppose que le schéma (2) est consistent d’ordre p.

Théorème
On se place dans les conditions du théorème d’existence et d’unicité de la
solution du problème de Cauchy. Soit le schéma (2)
On suppose que le schéma (2) est consistent d’ordre p.
On suppose qu’il existe h > 0 tel que 8A 2 R+ 9MA > 0 :
8 (y , z ) 2 BA BA 8t 2 [t0 , T ] 8h 2 [0, h ]
kΦ (t, y , h) Φ (t, z, h)k MA ky zk

Alors il existe h > 0 (h h ), e > 0, et K > 0 (ne dependant

que de f , y0 , T , h et MA ). tel que si
0<h h et je0 j e
alors


0<h h et je0 j e
alors
le shéma (2) est stable


0<h h et je0 j e
alors
le shéma (2) est convergent et on a l’estimation d’erreur suivante


0<h h et je0 j e
alors
max jen j K . (hp + je0 j)

0 n N


0<h h et je0 j e
alors
max jen j K . (hp + je0 j)

0 n N
en particulier si je0 j = 0 on aura
max jen j K .hp

0 n N

Exemple : Méthode d’Euler explicite


On a un +1 = un + h.f (tn , un ) donc l’erreur de consistence est donnée
par
y n +1 y n
Rn = h f (tn , yn )
y (t n +1 ) y (t n )
= h f (tn , yn )
y (t n +h ) y (t n )
= h f (tn , yn )


par
y n +1 y n
Rn = h f (tn , yn )
y (t n +1 ) y (t n )
= h f (tn , yn )
y (t n +h ) y (t n )
= h f (tn , yn )
h 2 00
or y (tn + h) = y (tn ) + h.y 0 (tn ) + 2 y (ζ n ) où ζ n 2 [tn , tn +1 ]


par
y n +1 y n
Rn = h f (tn , yn )
y (t n +1 ) y (t n )
= h f (tn , yn )
y (t n +h ) y (t n )
= h f (tn , yn )
h 2 00
=) Rn = h2 y 00 (ζ n ) pour n = 0, ..., N 1.


par
y n +1 y n
Rn = h f (tn , yn )
y (t n +1 ) y (t n )
= h f (tn , yn )
y (t n +h ) y (t n )
= h f (tn , yn )
h 2 00
=) Rn = h2 y 00 (ζ n ) pour n = 0, ..., N 1.
h
=) max jRn j 2 .M où M = sup jy 00 (t )j
t 2[t0 ,T ]


par
y n +1 y n
Rn = h f (tn , yn )
y (t n +1 ) y (t n )
= h f (tn , yn )
y (t n +h ) y (t n )
= h f (tn , yn )
h 2 00
=) Rn = h2 y 00 (ζ n ) pour n = 0, ..., N 1.
h
=) max jRn j 2 .M où M = sup jy 00 (t )j
t 2[t0 ,T ]
=) le schéma d’Euler explicite est consistent d’ordre 1.

D’autre part on a
e n + 1 = y ( tn + 1 ) un +1

D’autre part on a
e n + 1 = y ( tn + 1 ) un +1
=) en +1 = y (tn + h) un h.f (tn , un )

D’autre part on a
e n + 1 = y ( tn + 1 ) un +1
=) en +1 = y (tn + h) un h.f (tn , un )
h 2 00
=) en +1 = y (tn ) + h.y 0 (tn ) + 2 y (ζ n ) un h.f (tn , un ) avec
ζ n 2 [tn , tn +1 ]

D’autre part on a
e n + 1 = y ( tn + 1 ) un +1
=) en +1 = y (tn + h) un h.f (tn , un )
h 2 00
ζ n 2 [tn , tn +1 ]
h 2 00
=) en +1 = en + h (f (tn , yn ) f (tn , un )) + 2 y (ζ n )

D’autre part on a
e n + 1 = y ( tn + 1 ) un +1
=) en +1 = y (tn + h) un h.f (tn , un )
h 2 00
ζ n 2 [tn , tn +1 ]
h 2 00
=) en +1 = en + h (f (tn , yn ) f (tn , un )) + 2 y (ζ n )
h2
=) jen +1 j jen j + h.L. jyn un j + 2 M

h2
=) jen +1 j jen j + h.L. jen j + 2 M

h2
h2
=) jen +1 j (1 + h.L). jen j + M
| {z } |2{z }
β α

h2
h2
=) jen +1 j (1 + h.L). jen j + M
| {z } |2{z }
β α
=) jen +1 j β. jen j + α

h2
h2
=) jen +1 j (1 + h.L). jen j + M
| {z } |2{z }
β α
=) jen +1 j β. ( β jen 1 j + α) + α = β 2 j en 1j + β.α + α = ........

h2
h2
=) jen +1 j (1 + h.L). jen j + M
| {z } |2{z }
β α
=) jen +1 j β. ( β jen 1 j + α) + α = β 2 j en 1j + β.α + α = ........
n n 1
=) jen +1 j β j e1 j + β .α + ... + α

h2
h2
=) jen +1 j (1 + h.L). jen j + M
| {z } |2{z }
β α
=) jen +1 j β. ( β jen = β2 jen 1 j + β.α + α = ........
1 j + α) + α
=) jen +1 j n 1
βn je1 j + β .α + ... + α
=) jen +1 j βn +1 je0 j + βn .α + βn 1 .α + ... + α

Donc si je0 j = 0 (en général y0 = u0 )

=) jen +1 j βn .α + βn 1
.α + ... + α


=) jen +1 j βn .α + βn 1
.α + ... + α
β n +1 1
=) jen +1 j α. β 1


=) jen +1 j βn .α + βn 1
.α + ... + α
β n +1 1
=) jen +1 j α. β 1
(1 +hL )n +1 1 2 n +1
=) jen +1 j α. 1 +hL 1 = M. h2 . (1 +hLhL) 1


=) jen +1 j βn .α + βn 1
.α + ... + α
β n +1 1
=) jen +1 j α. β 1
(1 +hL )n +1 1 2 n +1
=) jen +1 j α. 1 +hL 1 = M. h2 . (1 +hLhL) 1
(1 +hL )n +1 1
=) jen +1 j M. h2 . L


=) jen +1 j βn .α + βn 1
.α + ... + α
β n +1 1
=) jen +1 j α. β 1
(1 +hL )n +1 1 2 n +1
=) jen +1 j α. 1 +hL 1 = M. h2 . (1 +hLhL) 1
(1 +hL )n +1 1
=) jen +1 j M. h2 . L
=) jen +1 j M. h2 . (exp((n + 1) .h.L) 1) . L1

=) jen +1 j M. h2 . (exp (L.(tn +1 t0 )) 1) . L1

=) jen +1 j M. h2 . (exp (L.(tn +1 t0 )) 1) . L1

par suite
M exp (L.(T t0 )) 1
j en + 1 j . .h
2 L

=) jen +1 j M. h2 . (exp (L.(tn +1 t0 )) 1) . L1

par suite
M exp (L.(T t0 )) 1
j en + 1 j . .h
2 L
les dérnières majorations sont dûes au fait que 1 + h.L exp(h.L) et
(n + 1) .h = tn +1 t0 .

=) jen +1 j M. h2 . (exp (L.(tn +1 t0 )) 1) . L1

par suite
M exp (L.(T t0 )) 1
j en + 1 j . .h
2 L
(n + 1) .h = tn +1 t0 .
Conclusion :

=) jen +1 j M. h2 . (exp (L.(tn +1 t0 )) 1) . L1

par suite
M exp (L.(T t0 )) 1
j en + 1 j . .h
2 L
(n + 1) .h = tn +1 t0 .
Conclusion :
La méthode d’Euler explicite est convergente d’ordre 1.

Méthodes à un pas : Méthodes de Taylor
Le principe de la méthode consiste à chercher une approximation de la

solution en t = tn +1 en se basant sur le développement de Taylor.
En e¤et : on a y (tn +1 ) = y (tn + h)
h 2 00 h 3 000
) y (tn +1 ) = y (tn ) + h.y 0 (tn ) + 2 y ( tn ) + 6 y (ζ n )


2 3
) y (tn +1 ) = y (tn ) + h.y 0 (tn ) + h2 y 00 (tn ) + h6 y 000 (ζ n )
) hy (tn +1 ) = y (tn ) + h.f (tn , y (tn )) + i
h 2 ∂f ∂f 0 h 3 000
2 ∂t (tn , y (tn )) + ∂y (tn , y (tn )) y (tn ) + 6 y ( ζ n )


2 3
h 2 ∂f ∂f 0 h 3 000
h 2 ∂f ∂f h 3 000
2 ∂t ( t n , y ( t n )) + ∂y ( tn , y ( tn )) f ( tn , y ( tn )) + 6 y (ζ n )


2 3
h 2 ∂f ∂f 0 h 3 000
h 2 ∂f ∂f h 3 000
2 ∂t ( t n , y ( t n )) + ∂y ( tn , y ( tn )) f ( tn , y ( tn )) + 6 y (ζ n )
bien sûr ζ n 2 ]tn , tn +1 [. Si on néglige les termes d’ordre spérieur ou
égal à 3, on obtient

y (htn +1 ) y (tn ) + h.f (tn , y (tn )) + i

h2 ∂f ∂f
2 ∂t (tn , y (tn )) + ∂y (tn , y (tn )) f (tn , y (tn ))
D’où le schéma numérique :
h2 ∂f ∂f
un +1 = un + h.f (tn , un ) + (tn , un ) + (tn , un ) .f (tn , un )
2 ∂t ∂y

y (htn +1 ) y (tn ) + h.f (tn , y (tn )) + i

h2 ∂f ∂f
2 ∂t (tn , y (tn )) + ∂y (tn , y (tn )) f (tn , y (tn ))
D’où le schéma numérique :
h2 ∂f ∂f
un +1 = un + h.f (tn , un ) + (tn , un ) + (tn , un ) .f (tn , un )
2 ∂t ∂y
par construction la méthode est consistence d’ordre 2 et elle est

convergente.

Remarque
Il est clair qu’on peut obtenir des méthodes numériques de Taylor d’ordre
plus élevé (donc plus précise) en poussant l’ordre du développement
Mais

Remarque
Mais
∂f ∂f ∂2 f ∂2 f ∂2 f
il faut calculer ∂t , ∂y , ∂t 2 , ∂t 2 , ∂t ∂y , .....

Remarque
Mais
∂f ∂f ∂2 f ∂2 f ∂2 f
Ce calcul est très di¢ cile et côuteux

Remarque
Mais
∂f ∂f ∂2 f ∂2 f ∂2 f
Sa mise en oeuvre plus compliquée encore !

Remarque
Mais
∂f ∂f ∂2 f ∂2 f ∂2 f
Autres alternatives?

Remarque
Mais
∂f ∂f ∂2 f ∂2 f ∂2 f
Autres alternatives?
Les Méthodes de Runge-Kutta

Méthodes à un pas : Méthodes de Runges-kutta
En se basant sur la formule

Z t n +1
y (tn +1 ) = y (tn ) + f (s, y (s )) ds
tn
Z t n +1
et en utilisant une intégration numérique pour f (s, y (s )) ds on
tn
obtient les méthodes suivantes :

La méthode des réctangles :

La méthode des réctangles :

Elle permet de récuper Euler explicite et Euler implicite. En e¤et :

Z t n +1
La méthode du point milieu : f (s, y (s )) ds est approchée
tn
par h f tn + h2 , y tn + h
2

Z t n +1
tn
2
h
et y tn + 2 sera approché par le schéma d’Euler :

Z t n +1
tn
2
h
h
y tn + 2 y (tn ) + h2 f (tn , y (tn ))

Z t n +1
tn
2
h
h
y tn + 2 y (tn ) + h2 f (tn , y (tn ))
ce qui donne lieu au schéma numérique
u0 = y0
n = 0, ..., N 1
un +1 = un + hf tn + h2 , un + h2 f (tn , un )

La
Z méthode des Trapèzes :
t n +1
h
f (s, y (s )) ds 2 (f (tn , y (tn )) + f (tn +1 , y (tn +1 ))), on
tn
obtient dans ce cas le schéma numérique suivant :

La
t n +1
h
tn
u0 = y0
h n = 0, ..., N 1
un +1 = un + 2 (f (tn + un ) + f (tn +1 , un +1 ))

La
t n +1
h
tn
u0 = y0
h n = 0, ..., N 1
un +1 = un + 2 (f (tn + un ) + f (tn +1 , un +1 ))
appelée méthode de Crank-Nicolson.

Le schéma de Crank-Nicolson est un schéma implicite, donc on pourra

approcher f (tn +1 , y (tn +1 )) par f (tn +1 , y (tn ) + hf (tn , y (tn )))


On obtient alors
u0 = y0
h n = 0, .
un +1 = un + 2 (f (tn + un ) + f (tn +1 , un + hf (tn , un )))


On obtient alors
u0 = y0
h n = 0, .
un +1 = un + 2 (f (tn + un ) + f (tn +1 , un + hf (tn , un )))
dit schéma de Heun.

Les formules d’intégration numériques peuvent êtres exploitées d’une

manière plus générale pour construire des schémas d’ordre plus élevés.
Notations : on pose
K1 = f (tn , un )
K2 = f (tn + c2 h, un + a21 hK1 )
K3 = f (tn + c3 h, un + a31 hK1 + a32 hK2 )
.. .. ..
. . .
Kq = f (tn + cq h, un + aq1 hK1 + aq2 hK2 + ... + aq,q 1 hKq 1 )

Dé…nition
On appelle méthode de RK explicite de rang q, toute méthode qui s’écrit
sous la forme :
8
< u0 = y0
q
n = 0, ..., N 1
: un +1 = un + h ∑ bi Ki
i =1

la méthode est complétement dé…nie si les coé…cients du tableau suivant

sont connus
0 0 0
c1 a21 0 0
.. .. .. .. ..
. . . . .
cq aq1 aq,q 1 0
b1 bq
(tableau de Butcher)

Une méthode de Runge-Kutta d’ordre 4 est donnée par
u0 = y0
n = 0, ..., N 1
un +1 = un + h6 (K1 + 2K2 + 2K3 + K4 )
8
>
> K1 = f (tn , un )
>
>
>
>
< K2 = f tn + h2 , un + h2 K1
sachant que
>
> K3 = f tn + h2 , un + h2 K2
>
>
>
>
: K4 = f (tn +1 , un + hK3 )

Les méthodes de Runge-kutta est un outil de base pour les programmes

Matlab dont les noms commencent par ode et sont suivis des nombres, par
exemple
ode45, ode23,.....(on peut trouver plus d’information uniquement en
consultant le Help de Matlab).
Ces méthodes sont é¢ caces pour la résolution des équations di¤érentiélles
ordinaires
- Elles sont stables.
- Faciles à implémenter
- Très précises.

Méthodes à multipas
Les méthodes à pas multiples sont des méthodes numérique pour la

résolution du problème de (1) et qui peuvent s’écrire d’une façon
générale sous la forme
8
>
< u0 = y0
p p
n = p, p + 1...,
> u
: n +1 = ∑ j n j ∑ bj fn j + hb 1 fn +1
a u + h
j =0 j =0

Si on revient au problème de Cauchy, on a y 0 (t ) = f (t, y (t )) et

y (t0 ) = y0


y (t0 ) = y0
si on intègre l’
Zéquation qui gouverne le système on aura
t
y (t ) = y0 + f (s, y (s )) .ds.
t0


y (t0 ) = y0
si on intègre l’
t
y (t ) = y0 + f (s, y (s )) .ds.
t0
Donc au point t = tZn +1 on aura
t n +1
y ( tn + 1 ) = y ( tn ) + f (s, y (s )) .ds.
tn


y (t0 ) = y0
si on intègre l’
t
y (t ) = y0 + f (s, y (s )) .ds.
t0
Donc au point t = tZn +1 on aura
t n +1
y ( tn + 1 ) = y ( tn ) + f (s, y (s )) .ds.
tn
Pour obtenir des méthodes multipas, on peut remplacer par exemple
f (s, y (s )) par son polynôme d’interpolation qui passe par certains
noeuds ti

Méthodes à multipas : Méthodes d’Adams-Bashford
Soit p (t ) le polynôme d’interpolation de f (s, y (s )) qui passe par

exemple par les points ti avec n k i n.


On sait que le polynôme d’interpolation est unique sauf que son
expression dépend du choix de la base : base de Newton, base de
lagrange,....


lagrange,....
Dans ce cas on choisira la base de Newton, pour des raisons de
simpli…cation de calculs.


lagrange,....
D’après le cours d’analyse Numérique (S4), cette expression nécéssite
le cacul des di¤érences divisées.


lagrange,....
D’après le cours d’analyse Numérique (S4), cette expression nécéssite
le cacul des di¤érences divisées.
Pour simpli…er encore plus les calculs, on dresse la table des
di¤érences divisées.

Z t n +1
Ainsi on a y (tn +1 ) y (tn ) + p (s ) .ds
tn

Z t n +1
tn
On obtient Le schéma numérique
Z t n +1
un +1 = un + p (s ) .ds
tn

Z t n +1
tn
On obtient Le schéma numérique
Z t n +1
un +1 = un + p (s ) .ds
tn
p désigne le même polynôme mais en remplaçant les f (ti , y (ti )) par

fi = f (ti , ui ).

Les formules d’Adams-Bashford
un +1 = un +hf n (ordre 1)
un +1 = un + h2 (3f n f n 1) (ordre 2)
h
un +1 = un + 12 (23f n 16f n 1 +5f n 2 ) (ordre 3)
h
un +1 = un + 24 (55f n 59f n 1 +37f n 2 9f n 3) (ordre 4)

Méthodes à multipas : Méthodes d’Adams-Moulton
De la même manière on peut remplaçer f (s, y (s )) par le polynôme

d’intérpolation p (t ) passant cette fois par les points ti avec
n k i n+1
Alors on obtient les schémas suivants

Les formules d’Adams-Moulton
un +1 = un +hf n +1 (ordre 1)
un +1 = un + h2 (fn +1 + fn ) (ordre 2)
h
un +1 = un + 12 (5f n +1 +8f n f n 1) (ordre 3)
h
un +1 = un + 24 (9f n +1 +19f n 5f n 1 +f n 2 ) (ordre 4)

Il est immediat que l’evaluation de p (t ) requiert la connaissance de

fn +1 = f (tn +1 , un +1 ) qui est inconnue à cette étape


Il est clair que la méthode est implicite


Par exemple pour demarrer le processus du schéma de la ligne 4 du
tableau au dessus, il faut connaitre f3 , f2 , f1 et f0


En d’autre termes pour calculer u3 on doit connaître u3 , u2 , u1 et u0
!!!


!!!
Solutions????


!!!
Solutions????
le problème est résolu pour u2 et u1 . (on adopte le même astuce
utilisé pour les méthodes d’Adams-Bashford)


!!!
Solutions????
le problème est résolu pour u2 et u1 . (on adopte le même astuce
utilisé pour les méthodes d’Adams-Bashford)
Mais pour u3 ??

Méthodes à multipas : Méthodes de prédiction-correcteur
Jusquà present on a pas encore donné de solutions concrète pour

implémenter les méthodes d’Adams-Moulton. Parmi les solution, on peut
recourir aux méthodes de prédiction-correction. Ceci Consiste à calculer
une première approximation de un +1 par un schéma explicite qu’on notera
(p )
un +1 . C’est l’etape de prediction.
(p )
En seconde étape la valeur un +1 est utilisée pour approcher f (tn +1 , un +1 ).
(p ) (p )
Cette approximation est notée fn +1 (= f tn +1 , un +1 ). Après on calcule
(p )
un +1 à l’aide de fn +1 au lieu de f (tn +1 , un +1 ). C’est la correction.
Ce qui donne lieu aux schèmas numériques suivants

Méthodes à multipas : Méthodes de prédiction-correction
Schémas Predicteur-Correcteur
(p )
un +1 = un + hfn
(p )
un +1 = un + hfn +1 (ordre 1)
(p ) h
un +1 = un + 2 (3fn fn 1 )
h ( p )
un +1 = un + 2 fn + 1 + fn (ordre 2)
(p ) h
un +1 = un + 12 (23fn 16fn 1 + 5fn 2)
h (p )
un +1 = un + 12 5fn +1 + 8fn fn 1 (ordre 3)
(p ) h
un +1 = un + 24 (55fn 59fn 1 + 37fn 2 9fn 3)
h (p )
un +1 = un + 24 9fn +1 + 19fn 5fn 1 + fn 2 (ordre 4)

Equations d’ordre supérieur
Soit l’équation di¤érentielle
y (m ) ( t ) = f t, y (t ) , y 0 (t ) , ......, y (m 1)
(t )
dont la solution satisfait

8
>
> y ( t0 ) = c1
>
>
< y 0 ( t0 ) = c2
. = .
>
>
>
> . = .
: (m 1 )
y (t0 ) = cm

Soit le changement de variable,

8
>
> y1 (t ) = y (t )
< y t = y 0 (t )
2( )
>
> ... .. ...
:
ym (t ) = y (m 1 ) ( t )

Soit le changement de variable,

8
>
> y1 (t ) = y (t )
< y t = y 0 (t )
2( )
>
> ... .. ...
:
ym (t ) = y (m 1 ) ( t )
on obtient le système di¤érentiel

8 0
>
>
y1 (t ) = y 0 (t ) = y2 (t )
>
> y 0 ( t ) = y 00 (t ) = y3 (t )
>
>
< y20 (t ) = y 000 (t ) = y4 (t )
3
>
> ... .. ... .. ...
>
> 0 (m 1 ) ( t ) =
>
> y ( t ) = y ym (t )
: m0 1
ym (t ) = y (m ) ( t ) = f (t, y1 (t ) , y2 (t ) , ......, ym (t ))

Le système au dessus peut être écrit sous la forme
Y 0 = G (t, Y )

Y 0 = G (t, Y )
avec

Y 0 = G (t, Y )
avec
Y (t ) =t (y1 (t ) , ..., ym (t ))

Y 0 = G (t, Y )
avec
Y (t ) =t (y1 (t ) , ..., ym (t ))
0 1
y2 (t )
B y3 (t ) C
B C
G (t, Y ) = B
B .... C
C
@ ym (t ) A
f (t, y1 (t ) , y2 (t ) , ......, ym (t ))

et les conditions initiales sont données par


8
>
> y (t ) = c1
< 1 0
y2 ( t 0 ) = c2
>
> ... .. ...
:
ym (t0 ) = cm


8
>
> y (t ) = c1
< 1 0
y2 ( t 0 ) = c2
>
> ... .. ...
:
ym (t0 ) = cm
Il est clair que c’est un cas particulier des systèmes di¤érentielles

d’ordre 1.


8
>
> y (t ) = c1
< 1 0
y2 ( t 0 ) = c2
>
> ... .. ...
:
ym (t0 ) = cm
Il est clair que c’est un cas particulier des systèmes di¤érentielles

d’ordre 1.
Donc pour les résoudre numériquement il su¢ t de leur appliquer les
méthodes présentées.

Equations d’ordre supérieur : Méthode d’Euler
Soit le système di¤érentiel
0 1 0 10
y10 (t ) y1 (t )
B y 0 (t ) C B y2 (t ) C
Y 0 (t ) = B 2 C B
@ ... A = @ ... A
C
ym0 (t ) ym (t )
0 1
f1 (t, y1 (t ) , ..., ym (t ))
B f2 (t, y1 (t ) , ..., ym (t )) C
= B
@
C
A
.....
fm (t, y1 (t ) , ..., ym (t ))
dont la solution véri…e

0 1 0 1
y1 (t0 ) c1
B y2 (t0 ) C B c2 C
Y ( t0 ) = B
@
C=B
A @ ...
C
A
...
ym (t0 ) cm

0 1 0 1
y1 (t0 ) c1
B y2 (t0 ) C B c2 C
Y ( t0 ) = B
@
C=B
A @ ... A
C
...
ym (t0 ) cm
Sachant que les yi sont des fonctions à valeurs dans R

0 1 0 1
y1 (t0 ) c1
B y2 (t0 ) C B c2 C
Y ( t0 ) = B
@
C=B
A @ ... A
C
...
ym (t0 ) cm
par contre les fi sont des fonctions de [t0 , T ] Rm à valeurs dans R.

0 1 0 1
y1 (t0 ) c1
B y2 (t0 ) C B c2 C
Y ( t0 ) = B
@
C=B
A @ ... A
C
...
ym (t0 ) cm
Pour simpli…er les notations, on pose C =t (c1 , ..., cm ) et
G =t (f1 , ..., fm )

01 0 1
y1 (t0 ) c1
B y2 (t0 ) C B c2 C
Y ( t0 ) = B
@
C=B
A @ ... A
C
...
ym (t0 ) cm
G =t (f1 , ..., fm )
(n ) (n ) (n )
On note par u (n ) =t u1 , u2 , ..., um l’approximation de
Y (tn ) =t (y1 (tn ) , y2 (tn ) , ..., ym (tn ))

0 1 0 1
y1 (t0 ) c1
B y2 (t0 ) C B c2 C
Y ( t0 ) = B
@
C=B
A @ ... A
C
...
ym (t0 ) cm
G =t (f1 , ..., fm )
(n ) (n ) (n )
Y (tn ) =t
(y1 (tn ) , y2 (tn ) , ..., ym (tn ))
Donc le shéma d’Euler explicite est donnée par

0 1 0 1
y1 (t0 ) c1
B y2 (t0 ) C B c2 C
Y ( t0 ) = B
@
C=B
A @ ... A
C
...
ym (t0 ) cm
G =t (f1 , ..., fm )
(n ) (n ) (n )
Y (tn ) =t
(y1 (tn ) , y2 (tn ) , ..., ym (tn ))
Donc le shéma d’Euler explicite est donnée par
u (n +1 ) = u (n ) + h.G tn , u (n ) n = 0, ..., N 1

=)h u (n +1 ) = u (n ) + i
(n ) (n ) (n ) (n ) (n ) (n )
h. t f1 tn , u1 , u2 , ..., um , ..., fm tn , u1 , u2 , ..., um

=)h u (n +1 ) = u (n ) + i
(n ) (n ) (n ) (n ) (n ) (n )
8
> (n +1 ) (n ) (n ) (n ) (n )
>
> u1 = u1 + h.f1 tn , u1 , u2 , ..., um
>
>
>
> (n +1 ) (n ) (n ) (n ) (n )
< u2
> = u2 + h.f2 tn , u1 , u2 , ..., um
=) .... ... ...
>
> (n +1 ) (n ) (n ) (n ) (n )
>
> um 1 = um 1 + h.fm 1 tn , u1 , u2 , ..., um
>
>
>
> (n +1 ) (n ) (n ) (n ) (n )
: um = um + h.fm tn , u , u , ..., um
1 2

=)h u (n +1 ) = u (n ) + i
(n ) (n ) (n ) (n ) (n ) (n )
8
> (n +1 ) (n ) (n ) (n ) (n )
>
> u1 = u1 + h.f1 tn , u1 , u2 , ..., um
>
>
>
> (n +1 ) (n ) (n ) (n ) (n )
< u2
> = u2 + h.f2 tn , u1 , u2 , ..., um
=) .... ... ...
>
> (n +1 ) (n ) (n ) (n ) (n )
>
> um 1 = um 1 + h.fm 1 tn , u1 , u2 , ..., um
>
>
>
> (n +1 ) (n ) (n ) (n ) (n )
: um = um + h.fm tn , u , u , ..., um
1 2
pour n = 0, ..., N 1

Equations d’ordre supérieur : Méthode de Runge-Kutta
De la même manière on peut appliquer les méthodes de Runge-Kutta

d’ordre 4. En e¤et
Il est clair qu’en utilisant un écriture matricielle on a à évaluer
8
>
> K1 = h.G tn , u (n )
>
>
>
>
>
> h (n ) 1
>
< K2 = h.G tn + 2 , u + 2 K1
>
> K3 = h.G tn + h2 , u (n ) + 12 K2
>
>
>
>
>
>
>
: K4 = h.G tn +1 , u (n ) + K3
ensuite on calcule
1
u (n +1 ) = u (n ) +
(K1 + 2K2 + 2K3 + K4 ) n = 0, ..., N 1
6
sachant que les Ki sont des tableaux de longueur m.
Pour les testes numériques pour des équations di¤érentielles d’ordre 1

et d’ordre supérieur, voir les TP.


Le chapitre suivant sera consacré à la résolution numériques des
équations aux dérivées partielles.


Le chapitre suivant sera consacré à la résolution numériques des
équations aux dérivées partielles.
On utilisera la méthode des di¤erences …nies et la méthode des
éléments …nis (en dimension 1)

Problèmes aux limites
Les problèmes aux limites sont des problèmes di¤érentiels posés sur
un intervalle ]a, b [ de R ou un ouvert Ω de Rd ( 2) pour lesquels
les valeurs de l’inconnue (ou de ses dérivées ) sont …xés aux extrimités
a et b.ou sur le bord ∂Ω dans le cas multidimensionnel.

Dans le cas multidimensionnel, l’équation met en jeu les dérivées
partielles de la solution par rapport aux variables dont dépent le
problème : le temps, les coordonnés d’espace....

Dans le cas multidimensionnel, l’équation met en jeu les dérivées
partielles de la solution par rapport aux variables dont dépent le
problème : le temps, les coordonnés d’espace....
Les équations dépendant du temps, comme par exemple l’équation de
la chaleur, sont appelées : des problèmes aux valeurs initiales. Pour
ce type d’équations on doit fournir une condition initiale (t = 0) en
plus des conditions aux limites (t est la variable temporelle)

Introduction : Exemples
Equation de Poisson
8
< u 00 (x ) = f (x ) x 2 ]a, b [
u (a ) = α
:
u (b ) = β
en dimension supérieure cette équation devient
∆u (x ) = f (x ) x 2 Ω Rd
u = g x 2 ∂Ω
d
∂2
on rappelle que ∆ = ∑ 2 , ∂Ω désigne la frontière de Ω et Ω est un
i =1 ∂xi
ouvert borné assez régulier de Rd .
Classi…cation des équations
D’une manière générale une équation aux dérivées partielles (EDP) est une
relation entre une fonction à plusieurs variables et ses dérivées partielles.
Elle est de la forme
∂u ∂u ∂m u
F u, , ..., , ..., m = f
∂x1 ∂xn ∂xn
avec Ω est un ouvert de Rn , f est une fonction dé…nie sur Ω, m est
l’indice de l’EDP.
Dans toute la suite on va considérer des EDPs linéaires scalaires
d’ordre deux dont la forme générale est donnée par
C : r (ru ) + b.ru + au = f dans Ω (3)

D’une manière générale une équation aux dérivées partielles (EDP) est une
relation entre une fonction à plusieurs variables et ses dérivées partielles.
Elle est de la forme
∂u ∂u ∂m u
F u, , ..., , ..., m = f
∂x1 ∂xn ∂xn
avec Ω est un ouvert de Rn , f est une fonction dé…nie sur Ω, m est
l’indice de l’EDP.
Dans toute la suite on va considérer des EDPs linéaires scalaires
d’ordre deux dont la forme générale est donnée par
C : r (ru ) + b.ru + au = f dans Ω (3)
Sachant que
n n
∂2 u
r (ru ) = ∑ ∂xi ∂xj ,et A : B = ∑ Aij Bij
i =1 i ,j =1

où a (x ) 2 R, b (x ) 2 Rn et C (x ) est une matrice carré d’ordre

n.(A = (Aij ) et B = (Bij ))
Si les coé…cients de l’équation sont indépendants de x, alors l’EDP est dite
à coé¢ cients constants.
∂u ∂2 u
Si on remplcace dans (3) u par 1, par zi et par zi zj où z est un
∂xi ∂xi ∂xj
vecteur de Rn . Ceci donne lieu à la relation suivante :
z T Cz + bz + a = f (4)
Le terme gauche de la relation une forme quadratique en z.
Si (4) est l’équation d’une éllipse (ellipsoïde, n 2) alors l’EDP est
dite elliptique


n.(A = (Aij ) et B = (Bij ))
∂u ∂2 u
∂xi ∂xi ∂xj
z T Cz + bz + a = f (4)
dite elliptique
Si (4) est l’équation d’une parabole (paraboloïde, n 2) alors l’EDP
est dite parabolique


n.(A = (Aij ) et B = (Bij ))
∂u ∂2 u
∂xi ∂xi ∂xj
z T Cz + bz + a = f (4)
dite elliptique
Si (4) est l’équation d’une parabole (paraboloïde, n 2) alors l’EDP
est dite parabolique
Si (4) est l’équation d’une hyperbole (hyperboloïde, n 2) alors
l’EDP est dite hyperbolique
Exemples

Exemples
L’équation de Laplace : ∆u = f est élliptique.

Exemples
∂u
L’équation de la chaleur ∆u (t, x ) = f est parabolique
∂t

Exemples
∂u
∂t
∂2 u
L’équation des ondes ∆u (t, x ) = f est hyperbolique
∂t 2

Exemples
∂u
∂t
∂2 u
∂t 2
L’équation biharmonique : ∆2 u = f est elliptique.

Exemples
∂u
∂t
∂2 u
∂t 2
L’équation biharmonique : ∆2 u = f est elliptique.
L’équation de convection-di¤usion dé…nie par
∂u
(t, x ) + a.ru µ∆u (t, x ) = f (t, x )
∂t
est parabolique si µ > 0 et hyperbolique sinon. Le cas µ = 0
correspond à l’équation de transport (a est la vitesse de convection et
µ est le coe¢ cient de di¤usion)

Conditions aux limites
Pour que l’EDP puisse avoir une solution unique, il est imperatif d’avoir
des informations supplémentaires sur la frontière ou une partie de la
frontière du domaine de l’EDP.
Dans le cadre de ce cours on va considérer des conditions aux limites de
type :
1 u = g sur ∂Ω c’est une condition de type Dirichlet;

type :
∂u
2 = g sur ∂Ω c’est une condition de type Neumann
∂ν

type :
∂u
∂ν
∂u
3 u = g1 sur Γ1 et = g2 sur Γ2 ce sont des conditions
∂ν
mixtes.(∂Ω = Γ1 [ Γ2 ).

type :
∂u
∂ν
∂u
3 u = g1 sur Γ1 et = g2 sur Γ2 ce sont des conditions
∂ν
mixtes.(∂Ω = Γ1 [ Γ2 ).
(x ) = ru. !
ν (x ) où !
∂u
on rappelle que ν (x ) désigne la normale
∂ν
exterieure à ∂Ω au point x.

Approximaton par les di¤érences …nies:
Dans cette partie de cours on utilisera la méthode des di¤érences …nies

pour résoudre les problèmes aux limites.. L’illustration de la méthode est
faite sur trois exemples:
un exemple de problèmes elliptiques.


Les outils de base sont les formules de dérivation numérique.


Les outils de base sont les formules de dérivation numérique.
Comme première étape on va considérer des problèmes en dimension
1.

Approximation par les di¤érences …nies
équation de Poisson 1-D
soit le problème
8
< u 00 (x ) = f (x ) x 2 ]0, 1[
u (0) = a (5)
:
u (1) = b
1
Soit N 2 N , on pose h = et xi = ih (c’est la discrétisation du
N +1
domaine de l’EDP, souvent on parle de la discrétisation en espace)
donc au points xi on a
u 00 (xi ) = f (xi )
et ceci pour
i = 1, ..., N

Le but est d’essayer d’obtenir une approximation de u (xi ) qu’on notera

par ui . Pour cela
on rapelle que
u (x h) 2u (x ) + u (x + h)
u 00 (x ) = + O h2
h2


par ui . Pour cela
on rapelle que
u (x h) 2u (x ) + u (x + h)
u 00 (x ) = + O h2
h2
u (x 2u (x ) + u (x + h)
h)
donc u 00 (x ) ' par suite on peut
h2
u (xi 1 ) 2u (xi ) + u (xi +1 )
approcher u 00 (xi ) par pour i = 1, ..., N.
h2


par ui . Pour cela
on rapelle que
u (x h) 2u (x ) + u (x + h)
u 00 (x ) = + O h2
h2
u (x 2u (x ) + u (x + h)
h)
h2
u (xi 1 ) 2u (xi ) + u (xi +1 )
h2
u (xi 1) 2u (xi ) + u (xi +1 )
=) ' f (xi ) pour i = 1, ..., N.
h2


par ui . Pour cela
on rapelle que
u (x h) 2u (x ) + u (x + h)
u 00 (x ) = + O h2
h2
u (x 2u (x ) + u (x + h)
h)
h2
u (xi 1 ) 2u (xi ) + u (xi +1 )
h2
u (xi 2u (xi ) + u (xi +1 )
1)
=) ' f (xi ) pour i = 1, ..., N.
h2
ceci donne lieu au système suivant
8
> u0 2u1 + u2
>
> = f (x1 )
>
> h2
>
>
>
> u1 2u2 + u3
< = f (x2 )
h2 pour i = 1, ..., N. (6)
>
>
>
> ..... ... ..
>
> uN 2uN + uN +1
>
> 1
>
: = f (xN )
h2
c’est un système linéaire de N équations à N inconnues.(u0 = a et

uN +1 = b ). Donc pour calculer les valeurs fu1 , ..., uN g il su¢ t de
résoudre le système linéaire.
La forme matricielle de (6) est donnée par

0 1 0 a
2 1 0 0 0 1 f (x1 ) +
B 1 C u1 B h2
B 2 1 CB u2 C B f (x2 )
B .. .. .. .. .. C B C B
B 0 . . . . . C B C B
1 BB .. .. ..
CB
C B ..
C B
C B ..
B . . . CB . C=B .
h2 B CB C B
B .. .. .. .. .. CB C B
B . . . . . 0 C B C B
B C @ uN 1 A B f (xN 1)
@ 1 2 1 A @
uN b
0 0 1 2 f (xN ) +
| {z } h2
Ah
(7)
dans ces expressions on a tenu compte des conditions aux limites.
Cependant on peut les inclures dans le système comme des équations en
e¤et
8
>
> u0 = u0
>
>
>
> u0 2u1 + u2
>
> = f (x1 )
>
>
>
> h2
>
>
>
< u1 2u2 + u3
= f (x2 )
h2
>
> .. .. ..
>
>
>
> . . .
>
> uN 2uN + uN +1
>
> 1
= f (xN )
>
>
>
> h2
>
: uN +1 = uN +1
l’expression matricielle associée à ce système est donné par

0 1 0 1
1 0 0 0 0 1 a
B .. C u0 B h2 C
B 1 2 1 . CB C B f (x1 ) C
B CB u1 C B C
B .. .. .. .. .. CB C B C
B 0 . . . . . CB C B C
1 BB .. .. .. .. .. .. CB .
C B .. C B .. C
. . . . . . C=B . C
h2 B
B
CB
CB C B C
B .. .. .. .. .. CB C B C
B . . . . . 0 C@ C B C
B C uN A B f (xN ) C
@ .. A @ A
. 1 2 1 uN +1 b
0 0 0 1 h2

Pour la résolution Numérique de l’un des systèmes linéaires au dessus,

on utiliser par exemple la factorisation LU pour la matrice du système.


Le système (7) admet une solution unique, i.e, la matrice Ah est
inversible en e¤et :


On montre aisement que la matrice Ah est dé…nie positive.


On montre aisement que la matrice Ah est dé…nie positive.
Le problème (5) est supposé véri…er des conditions de type Dirichlet.
Maintenant on va considérer le même problème élliptique mais les
conditions aux limites qui lui sont associées sont de type Neumann.
Soit le problème
8
< u 00 (x ) + u (x ) = f (x ) x 2 ]0, 1[
u 0 (0) = a (8)
: 0
u (1) = b

Remarque

Remarque
On remarque qu’il y a le terme u de plus dans l’équation qui gouverne
le système (8) par rapport à celle qui gouverne (5).

Remarque
Si on considère le problème (5) munni des conditions de Neumann au
lieu de ceux de Dirichlet, on aura un problème d’existence et d’unicité
de la solution du problème continu et on pourra remarquer que dans ce
cas la matrice du système discret est singulière (on peut lui calculer le
determinant et on trouvera 0).

Remarque
Pour discrétiser le problème (8) on adopte les même notations et la
même technique que pour (5) sauf que les valeurs u0 et uN +1 ne sont
pas connues. Pour surmonter cette di¢ culé on peut utiliser le fait que

Remarque
u ( x1 ) u ( x0 ) u (xN +1 ) u (xN )
a = u 0 (0) ' et b = u 0 (1) ' ,
h h

Remarque
u ( x1 ) u ( x0 ) u (xN +1 ) u (xN )
a = u 0 (0) ' et b = u 0 (1) ' ,
h h
ainsi on obtient le système linéaire suivant

8 u0 + u1 a
>
> =
>
> h2 h
>
>
>
> u0 2u1 + u2
>
> + u1 = f (x1 )
>
>
>
> h2
>
>
>
< u1 2u2 + u3
+ u2 = f (x2 )
h2
>
>
>
> ..... ... ..
>
> uN 1 2uN + uN +1
>
> + uN = f (xN )
>
>
>
> h2
>
>
>
> uN + uN +1 b
>
: =
h2 h

qu’on peut écrire sous la forme matricielle donnée par
Ah uh = Fh
avec Ah est une matrice carrée d’ordre N + 2 donnée par
0 1 0 1
1 1 0 0 0 0 0
B .. ..
C B C
B 1 2 1 . C B 0 1
. C
B .. .. .. .. C B
.. .. .. .. C
1 BB 0 . . . . C B
C B. . . . C
C
Ah = B .. .. .. .. .. C+B . .. .. C
h2 B . 0 C ..
B . . . . C B . . C
B .. C B
@
C
@ .
..
. 1 2 1 A 1 0 A
0 0 1 1 0 0 0

et 0 1 0 1
a
u0 h
B u1 C B f (x1 ) C
B C B C
B u2 C B f (x2 ) C
B C B C
B .. C B .. C
uh = B . C , Fh = B . C
B C B C
B uN 1 C B f (xN 1 ) C
B C B C
@ uN A @ f (xN ) A
b
uN +1 h

Equation de Poisson 2-D
Soit
∆u (x, y ) = f (x, y ) x 2 Ω = ]0, 1[ ]0, 1[
(9)
u = g sur ∂Ω
()
8
< ∂2 u (x, y ) ∂2 u (x, y )
= f (x, y ) x 2 Ω = ]0, 1[ ]0, 1[
∂x 2 ∂y 2
:
u = g sur ∂Ω

La méthode des di¤érence …nies consiste à approcher les dérivées partielles

à l’aide du taux d’accroissement calculé sur une grille constituée d’un
nombre …ni de points.
On pose 8
> 1
< hx =
1+N
> 1
: hy =
1+M
avec N et M sont deux entiers strictement positifs. Le principe de la
méthode consiste à chercher une approximation de u (xi , yj ) qu’on notera
uij où
xi = ihx
yj = jhy
sachant que i = 1, ..., N et j = 1, ..., M

∂2 u (xi , yj )
Pour approcher , on utilisera u (xi 1 , yj ), u (xi , yj ) et
∂x 2
u (xi +1 , yj ),

∂2 u (xi , yj )
∂x 2
u (xi +1 , yj ),
en d’autres termes
∂2 u (xi , yj ) u (xi 1 , yj ) 2u (xi , yj ) + u (xi +1 , yj )
2
'
∂x hx2

∂2 u (xi , yj )
∂x 2
u (xi +1 , yj ),
2
'
∂x hx2
∂2 u (xi , yj )
et pour approcher , on utilisera u (xi , yj 1 ), u (xi , yj ) et
∂y 2
u (xi , yj +1 )

∂2 u (xi , yj )
∂x 2
u (xi +1 , yj ),
2
'
∂x hx2
∂2 u (xi , yj )
et pour approcher , on utilisera u (xi , yj 1 ), u (xi , yj ) et
∂y 2
u (xi , yj +1 )
∂2 u (xi , yj ) u (xi , yj 1 ) 2u (xi , yj ) + u (xi , yj +1 )
c-à-d : 2
'
∂y hy2

On a ∆u (xi , yj ) = f (xi , yj ) et ceci 8i = 1, ..., N et 8j = 1, ..., M


u (xi 1 , yj ) 2u (xi , yj ) + u (xi +1 , yj )
donc
hx2
u (xi , yj 1 ) 2u (xi , yj ) + u (xi , yj +1 )
' f (xi , yj )
hy2


donc
hx2
' f (xi , yj )
hy2
8i = 1, ..., N et 8j = 1, ..., M


donc
hx2
' f (xi , yj )
hy2
8i = 1, ..., N et 8j = 1, ..., M
Pour simpli…er les calculs, on supposera dans la suite que
hx = hy = h.


donc
hx2
' f (xi , yj )
hy2
8i = 1, ..., N et 8j = 1, ..., M
Pour simpli…er les calculs, on supposera dans la suite que
hx = hy = h.
Ainsi on obtient le schéma numérique

ui 1j 2uij + ui +1j uij 1 2uij + uij +1

= f (xi , yj ) avec
h2 h2
1 i, j N


= f (xi , yj ) avec
h2 h2
1 i, j N
1
() 2 (ui 1j + ui +1j 4uij + uij 1 + uij +1 ) = f (xi , yj ) avec
h
1 i, j N


= f (xi , yj ) avec
h2 h2
1 i, j N
1
h
1 i, j N
() ui 1j + uij 1 4uij + uij +1 + ui +1j = h2 f (xi , yj ) avec
1 i, j N


= f (xi , yj ) avec
h2 h2
1 i, j N
1
h
1 i, j N
() ui 1j + uij 1 4uij + uij +1 + ui +1j = h2 f (xi , yj ) avec
1 i, j N
Maintenant, on doit discretiser les conditions aux limites. En e¤et,
On suppose que

8
>
> u (x, 0) = g1 (x )
 u (0, y )
> = g3 (y )
:
u (1, y ) = g4 (y )

8
>
> u (x, 0) = g1 (x )
 u (0, y )
> = g3 (y )
:
u (1, y ) = g4 (y )
avec x 2 [0, 1] et y 2 [0, 1]

8
>
> u (x, 0) = g1 (x )
 u (0, y )
> = g3 (y )
:
u (1, y ) = g4 (y )
avec x 2 [0, 1] et y 2 [0, 1]
Par conséquent on aura

8
>
> ui 0 = g1 (xi )
<
uiN +1 = g2 (xi )
>
> u0j = g3 (yj )
:
uN +1j = g4 (yj )

La numérotation des noeuds se fait ligne par ligne.


On commence par la première ligne en commençant de la gauche,
ensuite.


On commence par la première ligne en commençant de la gauche,
ensuite.
la deuxième ligne en commençant de la gauche.......

Ceci revient à …xer j et on fait varier i,


donc pour j = 0


donc pour j = 0
et pour i = 0, ..., N + 1
ui 0 = g1 (xi )

() 8
>
> u00 = g1 (x0 )
>
< u10 = g1 (x1 )
.. .. ..
>
> . . .
>
:
uN +10 g1 (xN +1 )

Pour j = 1

Pour j = 1
et pour i = 0, ..., N + 1 on a
8
>
> u01 = g3 (y1 )
>
>
>
> u 01 + u10 4u11 + u12 + u21 = h2 f (x1 , y1 )
>
>
< u11 + u20 4u21 + u22 + u31
> = h2 f (x2 , y1 )
.. .. ..
> . . .
>
>
>
> uN 2,1 + uN 1,0 4uN 1,1 + uN 1,2 + uN ,1 = h2 f (xN 1 , y1 )
>
>
>
> u + uN ,0 4uN ,1 + uN ,2 + uN +1,1 = h2 f (xN , y1 )
: N 1,1
uN +1,1 = g4 (y1 )

Pour j = 2

Pour j = 2
et pour i = 0, ..., N + 1 on a
8
>
> u02 = g3 (y2 )
>
>
>
> u 02 + u11 4u12 + u13 + u22 = h2 f (x1 , y2 )
>
>
< u12 + u21 4u22 + u23 + u32
> = h2 f (x2 , y2 )
.. .. ..
> . . .
>
>
>
> uN 2,2 + uN 1,1 4uN 1,2 + uN 1,3 + uN ,2 = h2 f (xN 1 , y2 )
>
>
>
> u + uN ,1 4uN ,2 + uN ,3 + uN +1,2 = h2 f (xN , y2 )
: N 1,2
uN +1,2 = g4 (y2 )

Pour j = N 1
8 pour i = 0, ..., N + 1 on a
et
>
> u0,N 1 = g3 (yN 1 )
>
>
>
> u0,N 1 + u1,N 2 4u1,N 1 + u1N + u2,N 1 = h2 f (x1 , yN
>
>
> 1,N 1 + u2,N 2 4u2,N 1 + u2,N + u3,N 1
 . .
>
>
>
> uN 2,N 1 + uN 1,N 2 4uN 1,N 1 + uN 1,N + uN ,N 1 = h2 f (xN 1 , y
>
>
>
> u + uN ,N 2 4uN ,N 1 + uN ,N + uN +1,N 1 = h2 f (xN , yN
: N 1,N 1
uN +1,N 1 = g4 (yN 1 )

Pour j = N
8 pour i = 0, ..., N + 1 on a
et
>
> u0,N = g3 (yN )
>
>
>
> u 0,N + u1,N 1 4u1,N + u1,N +1 + u2,N = h2 f (x1 , yN )
>
>
> 1,N
 . .
>
>
>
> uN 2,N + uN 1,N 1 4uN 1,N + uN 1,N +1 + uN ,N = h2 f (xN 1 , yN )
>
>
>
> u + uN ,N 1 4uN ,N + uN ,N +1 + uN +1,N = h2 f (xN , yN )
: N 1,N
uN +1,N = g4 (yN )

Pour j = N + 1
8
>
> u0,N +1 = g2 (x0 )
>
< u1,N +1 = g2 (x1 )
.. .. ..
>
> . . .
>
:
uN +1,N +1 g2 (xN +1 )

Pour j = N + 1
et pour i = 0, ..., N + 1 on a
8
>
> u0,N +1 = g2 (x0 )
>
< u1,N +1 = g2 (x1 )
.. .. ..
>
> . . .
>
:
uN +1,N +1 g2 (xN +1 )

L’inconnue est donnée par

0 1
u00
B .. C
B . C
B C
B uN +1,0 C
B C
B u01 C
B C
B .. C
B . C
Uh = B
B
C
C
B uN +1,1 C
B .. C
B . C
B C
B u0N +1 C
B C
B .. C
@ . A
uN +1,N +1

La matrice du système linéaire est une matrice de la forme

0 1
IN +2 0 0 0 0
B D A D 0 0 C
B C
B .. .. C
B 0 D A D . . C
B C
B .. . . . . . . C
B . 0 . . . 0 C
B C
B .. C
@ 0 . D A D A
0 0 0 0 IN +2

avec 0 1
1 0 0 0
B 1 4 1 0 0 C
B C
B .. .. .. .. .. C
B 0 . . . . . C
A=B
B .. ..
C
C
B . . 1 4 1 0 C
B C
@ 0 0 1 4 1 A
0 0 0 1

et 0 1
0 0 0 0
B 0 1 0 0 0 C
B C
B .. .. .. .. ..C
B 0 . . . . .C
D=B
B .. ..
C
C
B . . 0 1 0 0 C
B C
@ 0 0 0 1 0 A
0 0 0 0
sachant que A et D sont de taille N + 2

Le second membre à déterminer !

Rappel sur les espaces de sobolev
Dans tout ce qui suit Ω désigne un ouvert de Rn dont la frontière ∂Ω = Γ
est assez régulière.
Dé…nition
Le support d’une fonction continue f : Ω ! R et on note supp (f ), est
le plus petit ensemble fermé de valeurs x endehors duquel la fonction f est
identiquement nulle, i.e.,
supp (f ) = fx 2 Ω / f (x ) 6= 0g
Exemple
jx j si x 2 ] 1, 1[
Soit f (x ) = on a alors supp (f ) = [ 1, 1]
0 ailleur
Dé…nition
On appelle D (Ω) l’ensemble des fonctions C ∞ dé…nies sur Ω et à support
compact inclus dans Ω (D (Ω) peut être aussi noté C0∞ (Ω)).
Exemple
8 !
>
< R2
exp si jx pj < R
ϕ (x ) =
> jx p j2 R2 , le support de
:
0 si jx p j R
cette fonction est [p R, p + R ]. R et p sont choisis de manière à ce le
support soit inclus dans Ω.
En dimension
8 supérieure on a !
>
< R 2
exp 2
si kx p k2 < R
ϕ (x ) = k x p k R 2 , là aussi il faut
>
: 2
0 si kx p k2 R
que le R et le p soient choisis de manière à ce que le disque fermé de
centre p et de rayon R doit être inclu dans Ω.

De…nition
Une distribution sur l’ouvert Ω est une forme linéaire T : D (Ω) ! C
continue en 0, i.e. telle que, pour toute suite ( ϕn )n 2N d’éléments de
D (Ω) qui converge vers 0, hT , ϕn i ! 0. On notera D 0 (Ω) l’ensemble
n !+∞
des distributions sur Ω.
Remarque
Le symbole hT , ϕn i désigne ici un crochet de dualité, il signi…e simplement
l’action de T sur ϕn : T ( ϕn ). D 0 (Ω) n’est autre que le dual topologique
de D (Ω).

Exemples
1 Soit f une fonction integrable sur Ω, alors on peut lui associer une
distribution sur D (Ω), noté Tf , telle que
Z
8 ϕ 2 D ( Ω ) , hT , ϕ i = f ϕdx
Ω

Exemples
1 Soit f une fonction integrable sur Ω, alors on peut lui associer une
distribution sur D (Ω), noté Tf , telle que
Z
8 ϕ 2 D ( Ω ) , hT , ϕ i = f ϕdx
Ω
2 Soit a 2 Ω, on dé…nit alors la distribution δa par
8 ϕ 2 D ( Ω ) , h δa , ϕ i = ϕ (a )
appelée distribution de Dirac.

Exemples
On suppose que dans ce cas Ω = ] ∞, +∞[, on dé…nit la fonction
1 si x > 0
Heavside ou fonction echelon par H (x ) = . A H on
0 si x < 0
associe la distribution TH donnée par
Z +∞
8 ϕ 2 D ( Ω ) , h TH , ϕ i = ϕdx
0
Dé…nition
Deux distibutions T1 et T2 sont dites égales si et ssi
h T1 , ϕ i = h T2 , ϕ i 8 ϕ 2 D ( Ω )
On peut généraliser la notion de dérivée aux distributions.

Pour introduire la notion des dérivées pour les distributions, on
commencera par le cas où Ω R
Dé…nition
On dé…nit la dérivée d’une distribution T par la relation
def
hT 0 , ϕ i = hT , ϕ 0 i 8 ϕ 2 D ( Ω )
et de manière similaire on peut dé…nir la dérivée d’ordre n de T par

def
h T (n ) , ϕ i = ( 1 ) n h T , ϕ (n ) i 8 ϕ 2 D ( Ω )
Exemple (1)
Z +∞
hTH0 , ϕi = h TH , ϕ0 i = ϕ0 dx = ϕ (0) = hδ0 , ϕi et ceci
0
8 ϕ 2 D ( Ω ).
Exemple (2)
hδa0 , ϕi = h δa , ϕ 0 i = ϕ0 (a) et ceci 8 ϕ 2 D (Ω).
Exemple (3)
Z +∞
On pose f (x ) = jx j , on a hTf0 , ϕi = h Tf , ϕ0 i = jx j ϕ0 dx =
Z 0 Z +∞ ∞
x ϕ0 dx + x ϕ0 dx = hTg , ϕi où
∞ 0
1 si x < 0
g (x ) =
1 si x > 0

Rappel sur les espaces de Sobolev
Exemple (4)
Z +∞
00 2 00
hTjx j , ϕ i = ( 1 ) hTjx j , ϕ00 i = jx j ϕ dx =
Z 0 Z +∞ ∞
00 00 00
x ϕ dx + x ϕ dx = 2ϕ (0), en d’autres termes Tjx j = 2δ0
∞ 0
Maintenant on supposera que Ω Rn .

Dé…nition
La dérivée partielle de la distribution T par rapport au multi indice
m = (m1 , ..., mn ) est donnée par
∂m T def jm j ∂m ϕ
h , ϕ i = ( 1 ) h T , i 8 ϕ 2 D (Ω)
∂x m ∂x m
∂m ϕ ∂ jm j ϕ jm j
sachant que : = et = m1 + ... + mn .
∂x m m
∂x1 .∂x2m 2 ...∂xnm n
1

Dé…nition
On note par L2 (Ω) l’ensemble
Z
L2 (Ω) = u:Ω !R/ (u (x ))2 dx < ∞
Ω

Proposition
: Inégalité de Cauchy schwartz
Z Z 1
2
Z 1
2
u.v .dx u 2 dx . v 2 dx et ceci 8u, v 2 L2 (Ω)
Ω Ω Ω
Dé…nition
Un espace vectoriel muni d’un produit scalaire et qui est complet est un
espace de Hilbert.
Théorème
Z
L2 (Ω) muni du produit scalaire : (u, v ) = u.v .dx , est un espace de
Ω
Hilbert.

Quelques espaces de Sobolev
On supposera dans touta la suite que Ω est borné.

L’espace H 1 (Ω) .
Dé…nition
On note par H 1 (Ω) l’espace vectoriel dé…ni par
∂u
H 1 (Ω) = u 2 L2 (Ω) / 2 L2 (Ω) 1 i n
∂xi
∂u
les dérivées partielles sont des dérivées partielles au sens des
∂xi
distributions.

Proposition
H 1 (Ω) H 1 (Ω) ! R
Z n Z
l’application ∂u ∂v
(u, v ) ! u.v .dx + ∑ . .dx
Ω i =1 Ω ∂xi ∂xi
dé…nie un produit scalaire sur H 1 (Ω). On notera par
Z n Z
∂u ∂v
((u, v ))1,Ω = u.v .dx + ∑ . .dx
Ω i =1 Ω ∂xi ∂xi
et par
1
ku k1,Ω = ((u, u ))1,Ω 2
la norme associée à ce produit scalaire.

Théorème
H 1 (Ω) muni du produit scalaire ((., .))1,Ω est un espace de Hilbert.
Remarque
Conformément à la notation au dessus, on pourra noté
8 Z
>
> (( u, v )) = u.v .dx
>
< 0,Ω
Ω
1
> Z
>
>
: ku k 0,Ω = u 2 .dx 2
Ω

!1
n 2
∂u 2
ku k1,Ω = ku k20,Ω + ∑
i =1 ∂xi 0,Ω

Dé…nition
La restriction au bord Γ d’une fonction u 2 H 1 (Ω) est appelée la trace de
u sur Γ et qu’on note u jΓ .
Dé…nition
On note par γ0 l’application :
H 1 (Ω) ! L2 (Γ)
γ0 :
u ! u jΓ
1
et on pose γ0 H 1 (Ω) = H 2 (Γ) * L2 (Γ). γ0 est l’application trace.
Proposition
1
H 2 (Γ) = L2 (Γ)
Théorème
l’application :
H 1 (Ω) ! L2 (Γ)
γ0 :
u ! u jΓ
est linéaire continue i.e.,
9C > 0 telle que 8v 2 H 1 (Ω) kv kL2 (Γ) C . kv kH 1 ( Ω )

Dé…nition
On dé…nit l’espace H01 (Ω) comme étant la fermeture de D (Ω) dans
H 1 (Ω) où H 1 (Ω) est muni de la topologie induite par la norme k.kH 1 (Ω) .
Ceci revient à
H 1 (Ω)
H01 (Ω) = D (Ω)
en d’autres termes : 8v 2 H01 (Ω) 9 ( ϕk )k 2N D (Ω) telle que
lim kv ϕk kH 1 (Ω) = 0
k !+∞
Remarque
Les fonctions de H01 (Ω) sont donc nulles sur Γ, ce qui est équivalent à
H01 (Ω) = u 2 H 1 (Ω) / v jΓ = 0
ainsi H01 (Ω) = ker (γ0 )

Exemple
Si Ω = ]a, b [ alors
H01 (Ω) = u 2 H 1 (Ω) / v (a) = v (b ) = 0
Soit Γ0 Γ telle que mes (Γ0 ) 6= 0 on dé…nit l’espace
HΓ10 (Ω) = u 2 H 1 (Ω) / v jΓ0 = 0

Théorème
Inégalité de Poincaré
Il existe C > 0 telle que 8v 2 H01 (Ω) on a
!1
n 2
∂v 2
kv kL 2 ( Ω ) C ∑ ∂xi
i =1 0,Ω
Théorème
Inégalité de Poincaré
Il existe C > 0 telle que 8v 2 HΓ10 (Ω) on a
!1
n 2
∂v 2
kv kL 2 ( Ω ) C ∑ ∂xi
i =1 0,Ω
Proposition
H 1 (Ω) ! R+
Z
! 12
l’application n 2 qu’on
∂u
u ! ju j1,Ω = ∑ dx
i =1 Ω ∂xi
notera j.j1,Ω , est une semi norme sur H Ω
1
( )
Théorème
l’application j.j1,Ω est une norme sur H01 (Ω) équivalente à k.k1,Ω .
Théorème
l’application j.j1,Ω est une norme sur HΓ10 (Ω) équivalente à k.k1,Ω .

Dé…nition
On note par
(
∂jαj u
H m (Ω) = u 2 L2 (Ω) / 8α 2 Nn : jαj m = D α u 2 L2 (Ω
∂x1α1 ...∂xnαn
Théorème
H m (Ω) est un espace de Hilbert pour le produit scalaire
((u, v ))m,Ω = ∑ (D α u, D α v )L2 (Ω)

jαj m
! 21
et ku km,Ω = ∑ kD α u k2L2 (Ω) désigne la norme associée au produit
jαj m
scalaire dé…ni au dessus.
Faculté des Sciences () m Université Chouaib Doukkali 110 / 178
De la même manière on peut dé…nir l’application trace, par exemple si

m = 2, pour v 2 H 2 (Ω)on peut dé…nir γ0 (v ) 2 L2 (Γ) et on peut faire
∂v
de même pour les dérivées partielles 1 i n. ainsi on dé…nit
∂xi
∂v
γ1 (v ) = ∑ νi .γ0
∂xi
1 i n
où γ = (νi )1 i n la normale à Γ dérigée vers l’extérieur.

Théorème
L’application
H 1 (Ω) ! L2 (Γ) L2 (Γ)

( γ0 , γ1 ) :
v ! (γ0 (v ) , γ1 (v ))
est linéaire continiue sur H 2 (Ω) et on a

n o
H02 (Ω) = v 2 H 2 (Ω) / v jΓ = 0 et ∂v
∂γ =0
Γ
= ker (γ0 , γ1 )

Théorème
Théorème de Green
1 Soit u 2 H 1 (Ω) et v 2 H 1 (Ω) alors on a
Z Z Z
∂u ∂v
.v .dx = u. .dx + u.v .νi .d Γ
Ω ∂xi Ω ∂xi Γ
où νi désigne la ieme composante du vecteur normal à Γ dérigé vers

l’extérieur.
2 Si en plus u 2 H 2 (Ω) alors on a
Z Z Z
∂u
∆u.v .dx = ru.rv .dx + .v .d Γ
Ω Ω Γ ∂ν
∂u
où n’est autre que la dérivée normale de u.
∂ν
Cas où Ω = ]a, b [
Proposition
Alors on a
1 H 1 (]a, b [) C 0 ([a, b ]) .
2 9C > 0 telle que 8v 2 H 1 (]a, b [) on a kv k∞ C . kv k1,Ω .
Remarque
Les résultats de la proposition au dessus peuvent être résumés dans la
propriété suivante :
id : H 1 (]a, b [) ! C 0 ([a, b ])
v ! v
est continue. Sachant que H 1 (]a, b [) est muni de la topologie induite par
k.k1,Ω et C 0 ([a, b ]) est muni de la topologie induite par k.k∞ .
Remarque
L’inégalité de poincaré peut être interprétée comme suit :
id : H01 (Ω) ! L2 (Ω)

v ! v
est continue où Ω désigne un ouvert de Rn borné assez régulier.

Théorème de Lax Milgram
Théorème
Soient
1 H un espace de Hilbert
2 a une forme bilinéaire continue et coércive sur H.
3 L une forme linéaire continue sur H.
Alors il existe un unique u 2 H tel que
a (u, v ) = L (v ) 8v 2 H

Approximation par les éléments …nis
L’approximation par éléments …nis consiste à faire une approximation de

l’espace fonctionnel de la solution, contrairement à une approximation par
les di¤érences …nies qui est basée sur la discretisation de l’équation qui
gouverne le système. Dans le cadre de ce cours on va se contenter de la
dimension 1. En e¤et soit l’équation de Poisson
Soit l’équation
8
< u 00 (x ) = f (x ) x 2 ]a, b [
u (a ) = α (10)
:
u (b ) = β

Comme première etape pour utiliser l’approximation par les éléments …nis,
il faut chercher la formulation variationnelle de (10) qui s’écrit sous la
forme :
trouver u 2 V
a (u, v ) = L (v ) 8v 2 V
avec a est une forme bilinéaire symétrique, continue sur V V et

coércive sur V (on dit aussi V -elliptique)

forme :
trouver u 2 V
a (u, v ) = L (v ) 8v 2 V

V est un espace de Hilbert

forme :
trouver u 2 V
a (u, v ) = L (v ) 8v 2 V

V est un espace de Hilbert
L est une forme linéaire continue

Dans la deuxième étape il s’agit, de Chercher Vh un sous espace vectoriel

de V de dimension …ni, (Vh ! V ).
h !0
et on termine par la résolution de
trouver u 2 Vh
(11)
ah (uh , vh ) = Lh (vh ) 8vh 2 Vh
appelé problème variationnel discret.

Résolution du problème variationel discret
Maintenant on pose
Nh = dim Vh < +∞

Maintenant on pose
Nh = dim Vh < +∞
et on notera par n o
Bh = ω (1 ) , ..., ω (N h )
une base de Vh ,

Maintenant on pose
Nh = dim Vh < +∞
Bh = ω (1 ) , ..., ω (N h )
une base de Vh ,
nn oo
Vh = vect ω (1 ) , ..., ω (N h )

Maintenant on pose
Nh = dim Vh < +∞
Bh = ω (1 ) , ..., ω (N h )
une base de Vh ,
nn oo
Vh = vect ω (1 ) , ..., ω (N h )
0 1
u1 Nh
B C
[uh ]Bh = @ ... A () uh = ∑ ui ω (i )
i =1
uN h

Proposition
La fonction uh 2 Vh est solution de (11) si et ssi X = [uh ]B h est solution
du système linéaire
A.X = b (12)
où
A = (Aij )1 i ,j N h = a ω (i ) , ω (j )
1 i ,j N h

Proposition
A.X = b (12)
où
A = (Aij )1 i ,j N h = a ω (i ) , ω (j )
1 i ,j N h
et
b = (bi )1 i Nh = L ω (i )
1 i Nh

Proposition
A.X = b (12)
où
A = (Aij )1 i ,j N h = a ω (i ) , ω (j )
1 i ,j N h
et
b = (bi )1 i Nh = L ω (i )
1 i Nh
en plus, la matrcice A est dé…nie positive et le système linéaire (12)

admet une solution unique.

Preuve
on a (uh , vh ) = L (vh ) 8v 2 Vh

Preuve
on a (uh , vh ) = L (vh ) 8v 2 Vh
, a uh , ω (i ) = L ω (i ) 8i = 1, ..., Nh

Preuve
on a (uh , vh ) = L (vh ) 8v 2 Vh
, a uh , ω (i ) = L ω (i ) 8i = 1, ..., Nh
!
Nh
,a ∑ uj ω(j ) , ω(i ) = L ω (i ) 8i = 1, ..., Nh
j =1

Preuve
on a (uh , vh ) = L (vh ) 8v 2 Vh
, a uh , ω (i ) = L ω (i ) 8i = 1, ..., Nh
!
Nh
,a ∑ uj ω(j ) , ω(i ) = L ω (i ) 8i = 1, ..., Nh
j =1
Nh
, ∑ uj .a ω (j ) , ω (i ) = L ω (i ) 8i = 1, ..., Nh
j =1

Preuve
on a (uh , vh ) = L (vh ) 8v 2 Vh
, a uh , ω (i ) = L ω (i ) 8i = 1, ..., Nh
!
Nh
,a ∑ uj ω(j ) , ω(i ) = L ω (i ) 8i = 1, ..., Nh
j =1
Nh
, ∑ uj .a ω (j ) , ω (i ) = L ω (i ) 8i = 1, ..., Nh
j =1
Nh
, ∑ Aij . uj = bi 8i = 1, ..., Nh , A.X = b
j =1

Preuve
suite
0 1
x1
B C
soit x = @ ... A 2 RN h , on a
xN h
0 1
x1
B C
x T Ax = x1 xN h A @ ... A
xN h

Preuve
suite
0 1
x1
B C
xN h
0 1
x1
B C
x T Ax = x1 xN h A @ ... A
xN h
!
Nh Nh Nh
=) x T Ax = ∑ Aij . xi xj = a ∑ xi ω(i ) , ∑ xj ω(j )
i ,j =1 i =1 j =1
Nh 2
γ ∑ xi ω(i )
j =1 V

Preuve
suite
0 1
x1
B C
xN h
0 1
x1
B C
x T Ax = x1 xN h A @ ... A
xN h
!
Nh Nh Nh
=) x T Ax = ∑ Aij . xi xj = a ∑ xi ω(i ) , ∑ xj ω(j )
i ,j =1 i =1 j =1
Nh 2
γ ∑ xi ω(i )
j =1 V
par suite x T Ax 0 et si x T Ax = 0 alors x = 0, ceci achève la
Mise en oeuvre de la MEF en dimension 1 : Problème Dirichlet homogène
Soit le problème de Dirichlet homogène

8
< u 00 (x ) = f (x ) x2Ω
u (a ) = 0 (13)
:
u (b ) = 0
avec f 2 L2 (Ω) et Ω = ]a, b [ un intervalle ouvert borné de R


8
< u 00 (x ) = f (x ) x2Ω
u (a ) = 0 (13)
:
u (b ) = 0

on sait que (13) ,
Z b Z b
u 0 (x ) v 0 (x ) dx = f (x ) v (x ) dx 8v 2 V
a a


8
< u 00 (x ) = f (x ) x2Ω
u (a ) = 0 (13)
:
u (b ) = 0

on sait que (13) ,
Z b Z b
u 0 (x ) v 0 (x ) dx = f (x ) v (x ) dx 8v 2 V
a a
où V C 0 Ω et 8v 2 V on a v (a) = v (b ) = 0

Construction de l’espace variationel discret
On pose
b a
h=
N +1
avec N 2 N . et on désigne par xi = a + ih pour i = 0, ..., N + 1
On introduit l’espace
n o
V h = vh 2 C 0 Ω , tel que vh j[xi ,xi +1 ] a¢ ne pour tout i 2 f0, ..., N g
et l’espace Vh est donné par
Vh = vh 2 V h , tel quevh (a) = vh (b ) = 0

Proposition
1 Les fonctions de V h sont entièrement déterminées par leurs valeurs
aux points xi pour i 2 f0, ..., N + 1g

Proposition
2 La dimension de l’espace V h est N + 2

Proposition
3 Les fonctions ω (i ) 2 V h véri…ant ω (i ) (xj ) = δij (appelées les
fonctions chapeaux) constituent une base pour V h
(i 2 f0, ..., N + 1g).

Proposition
3 Les fonctions ω (i ) 2 V h véri…ant ω (i ) (xj ) = δij (appelées les
fonctions chapeaux) constituent une base pour V h
(i 2 f0, ..., N + 1g).
4 Pour tou vh 2 V h
N +1
vh (x ) = ∑ vh (xi ) ω(i ) (x )
i =0
et les scalaires vh (xi ) sont appelés les degrés de liberté de la fonction

vh .
Remarque
Les fonctions chapeaux, leur nom est dû à leur graphe

Corollaire
on a les résultats suivants :
1 Les fonctions de Vh sont entièrement déterminées par les valeurs
qu’elles prennent en chacun des noeuds xi i 2 f1, ..., N g.

Corollaire
2
dim Vh = N

Corollaire
2
dim Vh = N
3
N
8vh 2 Vh vh = ∑ vh (xi ) ω(i ) (x )
i =1

Corollaire
2
dim Vh = N
3
N
8vh 2 Vh vh = ∑ vh (xi ) ω(i ) (x )
i =1
4 Vh V

Calcul de la solution approchée

N N
On cherche uh = ∑ uh (xi ) ω(i ) = ∑ ui .ω(i ) et on sait que le vecteur
i =1 i =1
(ui )1 i N est solution du système linéaire (12), pour cela il su¢ t de
calculer explicitement A et b. En e¤et
on a 8 Z b 0 0
>
< Aij = ω (i ) . ω (j ) dx
Za b
>
: bi = f .ω (i ) .dx
a
or un simple calcul montre que
8 x xi 1
>
> h x 2 [ xi 1 , xi ]
<
(i ) x i +1 x
ω (x ) = h x 2 [xi , xi +1 ]
>
>
:
0 ailleur
Maintenant on va calculer la matrice A :


Z b 0 0
on a Aij = ω (i ) . ω (j ) dx =
a
N Z x k +1 0 0
∑ ω (i ) . ω (j ) dx i, j = 1, ..., N
k =1 x k


Z b 0 0
on a Aij = ω (i ) . ω (j ) dx =
a
N Z x k +1 0 0
∑ ω (i ) . ω (j ) dx i, j = 1, ..., N
k =1 x k
l’intégral à caluler pour Aij

donc d’après la …gure au dessus


Z x i +1 0 0
Aij = ω (i ) . ω (j ) dx i, j = 1, ..., N
xi 1


Z x i +1 0 0
Aij = ω (i ) . ω (j ) dx i, j = 1, ..., N
xi 1
en plus Aij = 0 pour j 2

/ fi 1, i, i + 1g c-à-on aura à calculer
uniquement Aii 1 , Aii et Aii +1 pour i = 2, ..., N 1


Z x i +1 0 0
Aij = ω (i ) . ω (j ) dx i, j = 1, ..., N
xi 1

Z b 0 0
Z x2 0 2
A11 = ω (1 ) . ω (1 ) dx = ω (1 ) dx et
a x
Z b 0 0
Z 0x2 0 0
A12 = ω (1 ) . ω (2 ) dx = ω (1 ) . ω (2 ) dx
a x1


Z x i +1 0 0
Aij = ω (i ) . ω (j ) dx i, j = 1, ..., N
xi 1

Z b 0 0
Z x2 0 2
A11 = ω (1 ) . ω (1 ) dx = ω (1 ) dx et
a x
Z b 0 0
Z 0x2 0 0
A12 = ω (1 ) . ω (2 ) dx = ω (1 ) . ω (2 ) dx
a x1
de même pour la dérnière ligne de la matrice.


Z x i +1 0 0
Aij = ω (i ) . ω (j ) dx i, j = 1, ..., N
xi 1

Z b 0 0
Z x2 0 2
A11 = ω (1 ) . ω (1 ) dx = ω (1 ) dx et
a x
Z b 0 0
Z 0x2 0 0
A12 = ω (1 ) . ω (2 ) dx = ω (1 ) . ω (2 ) dx
a x1
de même pour la dérnière ligne de la matrice.
Or on a 8 1
>
> x 2 ]xi 1 , xi [
0 < h
ω (i ) ( x ) = h
1
x 2 ]xi , xi +1 [
>
>
:
0 ailleur
Ainsi

Ainsi
Z x i +1 0 0
Aii 1 = ω (i ) . ω (i 1)
dx
xi 1
Z xi 0 0
= ω (i ) . ω (i 1)
dx
xi 1
Z xi
1 1 1
= .dx =
xi 1 h h h

Ainsi
Z x i +1 0 0
Aii 1 = ω (i ) . ω (i 1)
dx
xi 1
Z xi 0 0
= ω (i ) . ω (i 1)
dx
xi 1
Z xi
1 1 1
= .dx =
xi 1 h h h
Z x i +1 0 0
Z x i +1 2
1 2
Aii = ω (i ) . ω (i ) dx = .dx =
xi 1 xi 1 h h

Z x i +1 0 0
Aii +1 = ω (i ) . ω (i +1 ) dx
xi 1
Z x i +1 0 0
= ω (i ) . ω (i +1 ) dx
xi
Z x i +1
1 1 1
= .dx =
xi h h h

Z x i +1 0 0
Aii +1 = ω (i ) . ω (i +1 ) dx
xi 1
Z x i +1 0 0
= ω (i ) . ω (i +1 ) dx
xi
Z x i +1
1 1 1
= .dx =
xi h h h
Maintenant calculons b, en e¤et

Z x i +1
bi = f .ω (i ) .dx
xi 1

Conclusion
On a à résoudre
0 1
2 1 0 0 0 1 0 1
B u1 b1
B 1 2 .. .. C
B 1 . . CCB
B u2 C
C
B
B b2 C
C
B .. .. .. C B .. C B .. C
B 0 . . . 0 C B C = h B C
B CB . C B . C
B .. .. C @ uN 1 A @ bN 1 A
@ . . 1 2 1 A
0 0 1 2 uN bN
où Z x i +1
bi = f .ω (i ) .dx pour i = 1, ..., N
xi 1

Mise en oeuvre de la MEF en dimension 1 : Problème Neumann
Soit le problème de Neumann


8
< u 00 (x ) + u (x ) = f (x ) x2Ω
u0
(a ) = α (14)
: 0
u (b ) = β


8
< u 00 (x ) + u (x ) = f (x ) x2Ω
u0
(a ) = α (14)
: 0
u (b ) = β
on sait que (14) ,
Z b Z b Z b
0 0
u (x ) v (x ) dx + u (x ) v (x ) dx = f (x ) v (x ) dx + βv (b ) αv
a a a


8
< u 00 (x ) + u (x ) = f (x ) x2Ω
u0
(a ) = α (14)
: 0
u (b ) = β
on sait que (14) ,
Z b Z b Z b
0 0
u (x ) v (x ) dx + u (x ) v (x ) dx = f (x ) v (x ) dx + βv (b ) αv
a a a
où V est un espace fonctionnel inclus dans C 0 Ω (V est un

Hilbert).

Construction de l’espace variationel discret
A retenir : Vh V C0 Ω
On pose
b a
h=
N +1
avec N 2 N . et on désigne par xi = a + ih pour i = 0, ..., N + 1
On introduit l’espace
n o
Vh = vh 2 C 0 Ω , tel que vh j[xi ,xi +1 ] a¢ ne pour tout i 2 f0, ..., N g

On rappelle que
pour tout vh 2 Vh
N +1
vh (x ) = ∑ vh (xi ) ω(i ) (x )
i =0

On rappelle que
pour tout vh 2 Vh
N +1
vh (x ) = ∑ vh (xi ) ω(i ) (x )
i =0

Les fonctions de Vh sont entièrement déterminées par les valeurs
qu’elles prennent en chacun des noeuds xi i 2 f0, ..., N + 1g.

On rappelle que
pour tout vh 2 Vh
N +1
vh (x ) = ∑ vh (xi ) ω(i ) (x )
i =0

Les fonctions de Vh sont entièrement déterminées par les valeurs
qu’elles prennent en chacun des noeuds xi i 2 f0, ..., N + 1g.
dim Vh = N + 2

Calcul de la solution approchée

N +1 N +1
On cherche uh = ∑ uh (xi ) ω(i ) = ∑ ui .ω(i ) et on sait que le vecteur
i =0 i =0
(ui )0 i N +1 est solution du système linéaire (12), pour cela il su¢ t de
calculer explicitement A et b. En e¤et
on a 8 Z b Z b
0 0
>
< Aij = ω (i ) . ω (j ) dx + ω (i ) .ω (j ) dx
Za b a
>
: bi = f .ω (i ) .dx + β.ω (i ) (b ) α.ω (i ) (a)
a
or un simple calcul montre que
8 x x
i 1
>
> h x 2 [xi 1 , xi ]
<
x i +1 x
ω (i ) ( x ) = h x 2 [xi , xi +1 ] pour i = 1, ..., N
>
>
:
0 ailleur
pour i = 0 on a
( x1 x
(0 ) h x 2 [x0 , x1 ]
ω (x ) =
0 ailleur
et pour i = N + 1 on a
( x xN
(N +1 ) h x 2 [xN , xN +1 ]
ω (x ) =
0 ailleur
Le calcule de la matrice A se fait de la même manière que

précédement.

pour i = 0 on a
( x1 x
(0 ) h x 2 [x0 , x1 ]
ω (x ) =
0 ailleur
et pour i = N + 1 on a
( x xN
(N +1 ) h x 2 [xN , xN +1 ]
ω (x ) =
0 ailleur
Le calcule de la matrice A se fait de la même manière que

précédement.
de même pour calculer le second membre.

Chapitre II : Résolution numérique des systèmes
d’équations non linéaires
Introduction
En pratique, on est souvent confroné à la résolution d’un système

d’équations non linéaires. C’est-à-dire pour une fonction f donnée de RN
vers RN assez régulière (su¢ sement di¤érentiable) , on cherche un point
r 2 RN solution de l’équation
f (x ) = 0 (15)
En général, il n’y a pas d’algorithme …ni pour trouver une solution.

Introduction

f (x ) = 0 (15)

On est donc obligé d’utiliser des méthodes itératives.

Introduction

f (x ) = 0 (15)

On est donc obligé d’utiliser des méthodes itératives.
Sans hypothéses supplémentaires, on ne sait rien sur l’existence d’une
solution de (15)

Introduction
Par exemple, pour f (x ) = exp (x ) il n’y a pas de solution !

Introduction

par contre pour f (x ) = sin (x ) il y en a une in…nité !!

Introduction

Mais, le théorème d’inversion locale nous fournit un résultat sur
l’unicité locale :

Introduction

si f (r ) = 0 et si la matrice jacobienne f 0 (a) est inversible, il existe
un voisinage U de r et un voisinage V de 0 tels que f soit bijective de
U vers V .

Introduction

si f (r ) = 0 et si la matrice jacobienne f 0 (a) est inversible, il existe
un voisinage U de r et un voisinage V de 0 tels que f soit bijective de
U vers V .
Ceci implique que r est la seule solution de (15) dans le voisinage U
de r .

Méthode des approximations successives
On considère le problème du calcul d’un point …xe de l’application

g 2 C RN , RN c-à-d : on cherche x tel que
g (x ) = x (16)


g (x ) = x (16)
Les problèmes (15) et (16) sont équivalents


g (x ) = x (16)

et il y a beaucoup de possibilités pour écrire (15) sous la forme (16).


g (x ) = x (16)

Par exemple, on peut d´ e…nir g comme g (x ) = x f (x ) ou


g (x ) = x (16)

Par exemple, on peut d´ e…nir g comme g (x ) = x f (x ) ou
g (x ) = x Bf (x ) (ici B : est soit un nombre non-nul, soit une
matrice bien choisie).

Pour résoudre (16), on se donne une approximation initiale x (0 )

2 RN (arbitraire)


2 RN (arbitraire)
et on considère la méthode itérative
x (k +1 ) = g x (k ) (17)


2 RN (arbitraire)
x (k +1 ) = g x (k ) (17)
n o
Si la suite x (k ) converge, disons vers x , et si la fonction g est
N
continue en x 2 R , la limite x est une solution de (16).


2 RN (arbitraire)
x (k +1 ) = g x (k ) (17)
n o
Si la suite x (k ) converge, disons vers x , et si la fonction g est
N
continue en x 2 R , la limite x est une solution de (16).
Mais que peut-on dire sur l’erreur?

Théorème
Si g est deux fois continûment di¤érentiable et si x 2 RN est une solution
de (16), alors l’erreur e (k ) = x (k ) x
satisfait
2
e (k +1 ) = g 0 ( x ) e (k ) + O e (k )

Théorème du point …xe

Soit g : RN ! RN une application strictement contractante, i.e.,
9k 2 ]0, 1[ tel que kg (x ) g (y )k k. kx y k 8x, y 2 RN . Alors il
existe un point …xe unique x 2 RN qui véri…e g (x ) = x. En plus la suite
dé…nie par (
x ( 0 ) 2 RN
x (n +1 ) = g x (n ) 8n 2 N
véri…e
lim x (n ) = x
n !+∞
k.k est une norme dé…nie sur RN .

Remarque
Le théorème est valable dans un espace métrique complet.

Remarque
Si la suite x (n ) converge vers x alors alors forcément
x (n +1 ) x
β = lim 1
n !+∞ x (n ) x

Remarque
x (n +1 ) x
β = lim 1
n !+∞ x (n ) x
Sous les hypothèses du théorème précédent,
x (n +1 ) x = g x (n ) g (x ) k. x (n ) x et donc si
x (n +1 ) x
x (n ) 6= x alors k < 1.
x (n ) x

Remarque
x (n +1 ) x
β = lim 1
n !+∞ x (n ) x
Sous les hypothèses du théorème précédent,
x (n +1 ) x = g x (n ) g (x ) k. x (n ) x et donc si
x (n +1 ) x
x (n ) 6= x alors k < 1.
x (n ) x
La convergence est donc au moins linéaire.

Méthode de Newton en dimension 1
La seule information utilisée dans la méthode de dichotomie est le signe de

la fonction f aux extrémités des sous intervalles. Dans le cas où f est
dérivable, on peut construire une méthode plus e¢ cace en exploitant les
valeurs de f et ses dérivées. Soit x (0 ) 2 R :
h2 00
f x (0 ) + h = f x (0 ) + hf 0 x (0 ) + f (ζ 0 )
2
Donc
f x (0 ) + h ' f x (0 ) + hf 0 x (0 )

on cherche h tel que
f x (0 ) + hf 0 x (0 ) = 0
en supposant f 0 x (0 ) 6= 0, on obtient
f x (0 )
h=
f 0 x (0 )
et on pose
f x (0 )
x (1 ) = x (0 )
f 0 x (0 )

Ainsi de cette façon on obtient le schéma en supposant

8 (0 )
< x 2R
>
f x (n )
>
: x ( n + 1 ) = x ( n ) 8n 2 N
f 0 x (n )
f 0 x ( n ) 6 = 0 8 n 2 N.

Méthode de Newton en dimension N
En dimension 1 la méthode de Newton était construite à partir du

développement Taylor, de la même manière on peut généraliser cette
méthode pour approcher la racine en dimension N. Dans ce cas la dérivée
sera remplacer par la matrice Jacobienne. Ainsi on a le schéma
(
x ( 0 ) 2 RN
Df x (n ) x (n +1 ) x (n ) = f x (n ) 8n 2 N
avec Df x (n ) la matrice Jacobienne de f au point x (n ) .

Donc pour chaque n 2 N, on doit e¤ectuer les opérations suivantes:


(
x ( 0 ) 2 RN
Df x (n ) x (n +1 ) x (n ) = f x (n ) 8n 2 N

Calcul de Df x (n ) .


(
x ( 0 ) 2 RN
Df x (n ) x (n +1 ) x (n ) = f x (n ) 8n 2 N

Calcul de Df x (n ) .
Résolution du système linéaire
Df x (n ) x (n +1 ) x (n ) = f x (n )
Sans restriction on pourra considérer le cas N = 2. Soit
f1 (x1 , x2 ) = 0
(18)
f2 (x1 , x2 ) = 0
(0 ) (0 )
on notera par x1 , x2 une approximation initiale de la solution de ce
système. Maintenant on cherchera une correction (δx1 , δx2 ) de sorte que
8
> (0 ) (0 )
< f1 x1 + δx1 , x2 + δx2
> = 0
>
>
: f2 x (0 ) + δx1 , x (0 ) + δx2 = 0
1 2
donc pour "calculer" (δx1 , δx2 ) il su¢ t d’utiser le développement de

Taylor de les fonctions à plusieurs variables. En e¤et,
on a
8 (0 ) (0 )
>
> f1 x1 + δx1 , x2 + δx2 =
>
>
>
> ∂f ∂f
>
< f1 x1(0 ) , x2(0 ) + 1 x1(0 ) , x2(0 ) δx1 + 1 x1(0 ) , x2(0 ) δx2 + ....
∂x1 ∂x2
> (0 ) (0 )
> 1 1
> f x + δx ,
1 2x + δx2 =
>
>
>
>
: f2 x1(0 ) , x2(0 ) + ∂f2 x1(0 ) , x2(0 ) δx1 + ∂f2 x1(0 ) , x2(0 ) δx2 + ....
∂x1 ∂x2
En négligeant les termes d’ordre supérieure à 1, on obtient

8 (0 ) (0 )
>
> f1 x1 + δx1 , x2 + δx2 '
>
>
>
> ∂f ∂f
>
< f1 x1(0 ) , x2(0 ) + 1 x1(0 ) , x2(0 ) δx1 + 1 x1(0 ) , x2(0 ) δx2
∂x1 ∂x2
> (0 ) (0 )
>
> f2 x1 + δx1 , x2 + δx2 '
>
>
>
> ∂f ∂f
: f2 x1(0 ) , x2(0 ) + 2 x1(0 ) , x2(0 ) δx1 + 2 x1(0 ) , x2(0 ) δx2
∂x1 ∂x2

et on résoud
8
> (0 ) (0 ) ∂f1 (0 ) (0 ) ∂f1 (0 ) (0 )
>
> f x , x2 + x1 , x2 δx1 + x1 , x2 δx2 = 0
< 1 1 ∂x1 ∂x2
>
>
>
: f2 x (0 ) , x (0 ) + ∂f2 x (0 ) , x (0 ) δx1 + ∂f2 x (0 ) , x (0 ) δx2 = 0
1 2
∂x1 1 2
∂x2 1 2

ceci peut s’écrire sous la forme

8
> ∂f1 (0 ) (0 ) ∂f1 (0 ) (0 ) (0 ) (0 )
>
> x1 , x2 δx1 + x , x2 δx2 = f1 x1 , x2
< ∂x1 ∂x2 1
>
>
>
: ∂f2 x (0 ) , x (0 ) δx1 + ∂f2 x (0 ) , x (0 ) δx2 = (0 ) (0 )
f2 x1 , x2
∂x1 1 2
∂x2 1 2

équivalent à
0 10 1 0 1
∂f1 (0 ) (0 ) ∂f1 (0 ) (0 ) (0 ) (0 )
x , x2 x1 , x2 δx1 f1 x1 , x2
B ∂x1 1 ∂x2 CB C B C
B CB C= B C
B C@ A @ A
@ ∂f ∂f2 A (0 ) (0 )
2 (0 ) (0 ) (0 ) (0 ) f2 x1 , x2
x , x2 x , x2 δx2
∂x1 1 ∂x2 1

0 1
∂f1 (0 ) (0 ) ∂f1 (0 ) (0 )
x , x2 x , x2
B ∂x1 1 ∂x2 1 C
B C
Il est clair que la matrice B C n’est
@ ∂f ∂f A
2 (0 ) (0 ) 2 (0 ) (0 )
x1 , x2 x1 , x2
∂x1 ∂x2
(0 ) (0 )
autre que la matrice jacobienne de f calculée au point x1 , x2 .qu’on a
(0 ) (0 )
pris l’habitude de noter Df x1 , x2 Le système linéaire au dessus
donc peut s’écrire sous la forme
(0 ) (0 ) (0 ) (0 )
Df x1 , x2 δx = R x1 , x2

0 1
(0 ) (0 )
δx1 (0 ) (0 ) f1 x1 , x2
où δx = et R x1 , x2 =@ (0 ) (0 )
A le résidu
δx2 f1 x1 , x2
(0 ) (0 )
évalué en x1 , x2 .
(0 ) (0 )
Si Df x1 , x2 est inversible alors le système linéaire admet une
solution unique δx et on peut par suite calculer
(
(1 ) (0 )
x1 = x1 + δx1
(1 ) (0 )
x2 = x2 + δx2
qui est une nouvelle approximation de la solution du système non linéaire

(18).

Donc la méthode de Newton pour la résolution des système (15) est

donnée par :
étant donnée !
x (0 ) une approximation de la solution de (15), les itérations
de la méthode sont données par
h i 1 ! ! (k )
!
x (k +1 ) = !
x (k ) Df !
x (k ) R x (19)
jusqu’à ce que la convergence soit atteinte.

Le processus est itératif donc il faut un critère d’arrêt, mais avant de
penser à ce problème, il y a des questions primordiales et pour
lesquelles ils faut des réponses:

la suite !
x (k ) est-elle bien dé…nie?

la suite !
la suite !
x (k ) converge t-elle vers la solution du système (15)?
k 0

la suite !
la suite !
k 0
quel est l’ordre de convergence de cette méthode?

la suite !
la suite !
k 0
quel est l’ordre de convergence de cette méthode?
Pour répondre à ces questions on les résultats suivants

Théorème
! !
Soient f 2 C 2 RN , RN et x 2 RN tel que f x = 0. On munit RN
!
d’une norme k.k. On suppose que Df x est inversible. Alors il existe
b > 0 et β > 0 tels que
!
si !
x (0 ) 2 B x , b alors la suite !
x (k ) dé…nie par (19) est bien
k 0
!
dé…nie pour tout k 2 N et ona ! x (k ) B x ,b
k 0
!
si !
x (0 ) 2 B x , b et si la suite ! x (k ) est dé…nie (19)par alors
k 0
! !
x (k ) ! x
k !+∞

Théorème
suite du théorème
!
si !
x (0 ) 2 B x , b et si la suite !
x (k ) est dé…nie par (19) alors
k 0
! ! ! 2
x (k +1 ) x β !
x (k ) x 8k 2 N

Théorème
!
Soient f 2 C 2 RN , RN et !
x 2 RN tel que f x = 0. On munit RN
d’une norme k.k et Mn (R) de la norme induite. On suppose que la
!
matrice jacobienne Df x est inversible et on suppose qu’il existe a, a1 ,
a2 2 R+ tels que :
!
si !
y 2 B x , a alors Df ( !
y ) est inversible et on a
(Df ( !
1
y )) a 1
!
si !
y ,!z 2 B x , a alors
kf ( !
z ) f (!
y ) Df ( !y ) (! ! a2 k ! ! 2
z y )k z yk .

Théorème
suite du théorème
1
Alors, si on pose b = min a, > 0, β = a1 a2 et si
a1 a2
! !
x (0 ) 2 B x , b on a
la suite ! x (k ) dé…nie par (19) est bien dé…nie pour tout k 2 N
k 0
!
la suite ! x (k ) converge vers x lorsque k ! +∞.
! ! ! 2
x (k +1 ) x β !x (k ) x 8k 2 N

Remarque
Etant donnée qu’on a des résultats théorique pour d’existence et la
convergence de la suite !x (k ) ,
k 0

Remarque
k 0
il reste à voir la mise en oeuvre de la méthode. En d’autre terme, est
ce que cette méthode est pratique et facile à programmer

Remarque
k 0
sachant que les fonctions fi et leurs dérivées partielles doivent être
fournies.

Remarque
k 0
fournies.
Si N est grand ?

Remarque
k 0
fournies.
Si N est grand ?
Si les dérivées sont di¢ ciles à calculer?

Approximation des valeurs propres et des vecteurs propres
Introduction
Suivant le type de problèmes, on ne cherchera qu’une valeur propre, ou

quelques valeurs propres, ou toutes les valeurs propres. De même, on a
parfois besoin des vecteurs propres correspondants, quelquefois non. Parmi
les méthodes consacrées pour le calcul des valeurs propres on peut citer :
Méthode des puissance itérées, méthode des puissances inverses,

Introduction
Suivant le type de problèmes, on ne cherchera qu’une valeur propre, ou

quelques valeurs propres, ou toutes les valeurs propres. De même, on a
parfois besoin des vecteurs propres correspondants, quelquefois non. Parmi
les méthodes consacrées pour le calcul des valeurs propres on peut citer :
Méthode des puissance itérées, méthode des puissances inverses,
Le choix de la méthode employée, sera donc très dépendant de ce

qu’on veut.

Introduction
Etant donné une matrice A 2 Mn (C), le problème des valeurs propres

consiste à trouver un scalaire λ 2 C et un vecteur non nul
x 2 Mn,1 (C) f0g tel que
Ax = λ.x
λ : est appelée valeur propre de A.

x : est appelé vecteur propre associé à la valeur prore λ.

Méthode de la puissance.
La méthode de la puissance fournit une très bonne approximation de

la valeur propre extrémale et d’un vecteur propre associé.


Dans la suite, A 2 Mn (C) désigne une matrice carrée d’ordre n,
λ1 ,...,λn les valeurs propres de A et v1 ,...,vn sont les veteurs propres
normalisés de A associés respectivement.


On suppose que les valeurs propres de A sont rangées comme suit
j λ1 j j λ2 j ... jλn 1j < j λn j


On suppose que les valeurs propres de A sont rangées comme suit
la matrice A est diagonalisable

Alors λn et vn sont calculés par la méthode itérative suivante :

Etant donné un vecteur initial arbitraire q (0 ) 2 Mn,1 (C) normalisé
8
>
> pour k = 1, 2...
>
> (k )
>
>
<
z = Aq (k 1 )
z (k )
> q (k ) =
>
> z (k ) 2
>
>
>
: υ (k ) = q (k ) A.q (k )
appelée méthode de la puissance.

n o
cette méthode consiste à construire une suite de vecteurs q (k ) de
norme 1 qui, quand k ! ∞, s’alignent le long de la direction du
vecteur propre vn .

n o
vecteur propre vn .
Les erreurs q (k ) vn et υ(k ) λn sont proportionnelles au
k
λn 1
rapport dans le cas d’une matrice quelconque.
λn

n o
vecteur propre vn .
k
λn 1
λn
Si A est réelle et symétrique, on peut même prouver que υ(k ) λn
2k
λn 1
est en fait proportionnel à .
λn

n o
vecteur propre vn .
k
λn 1
λn
2k
λn 1
λn
Dans tous les cas, on a υ(k ) ! λn pour k ! ∞.

n o
vecteur propre vn .
k
λn 1
λn
2k
λn 1
λn
Dans tous les cas, on a υ(k ) ! λn pour k ! ∞.
Comme critaire d’atrrêt, on prend : υ(k ) υ (k 1) < ε υ(k ) , où ε
est une tolérance …xée.
Remarque
Ak q (0 )
On peut déduire aisement par récurence que q (k ) = k 1.
Ak q (0 ) 2
La présence de la puissance de A explique le nom de la méthode de la
puissance.

Méthode de la puissance: Analyse de convergence.
Les vecteurs propres v1 , ..., vn de A forment une base de Mn,1 (C) . Ainsi
on a
n
q (0 ) = ∑ αi vi
i =1
avec les αi 2 C.

Méthode de la puissance.: Analyse de convergence
Comme Avi = λi vi on a
!
n 1 k
αi λi
Ak q (0 ) = αn λkn vn + ∑ vi ,k 1
i =1 α n λn

!
n 1 k
αi λi
Ak q (0 ) = αn λkn vn + ∑ vi ,k 1
i =1 α n λn
λi
Puisque < 1 pour i = 1, ..., n 1, donc le vecteur Ak q (0 ) tend à
λn
s’aligner le long de la direction du vecteur propre vn quand k ! +∞

!
n 1 k
αi λi
Ak q (0 ) = αn λkn vn + ∑ vi ,k 1
i =1 α n λn
λi
λn
à condition que αn 6= 0.

!
n 1 k
αi λi
Ak q (0 ) = αn λkn vn + ∑ vi ,k 1
i =1 α n λn
λi
λn
Cette condition sur αn , impossible à assurer en pratique puisque vn
inconnu, n’est en fait pas restrictive.

!
n 1 k
αi λi
Ak q (0 ) = αn λkn vn + ∑ vi ,k 1
i =1 α n λn
λi
λn
Cette condition sur αn , impossible à assurer en pratique puisque vn
inconnu, n’est en fait pas restrictive.
en e¤et les erreurs d’arrondi entrainent l’apparition d’une composante
non nulle selon vn , même si le vecteur initial x (0 ) n’en a pas.

En utilisant les deux expressions relatives à q (0 ) et Ak q (0 ) on a
αn λkn vn + y (k )
(k )
q = ,k 1.
αn λkn vn + y (k )
2
où y (k ) est un vecteur tendant vers 0 quand k ! +∞. Le vecteur q (k )

s’aligne donc avec un vecteur propre de la valeur propre dominante λn
lorsque k ! +∞ et on a de plus l’estimation de l’erreur suivante à
l’étape k.

Théorème
Soit A une matrice diagonalisable dont les valeurs propres satisfont
en supposant que le αn 6= 0 dans l’expression de q (0 ) , alors il existe une

constante C > 0 telle que
k
j λn j
e(k )
q vn C ,k 1
2 j λn j
n 1 k
αi λi
e(k ) = vn +
où q ∑ αn λn
vi
i =1

Méthode de la puissance.: exemple
Considérons la famille de matrices

0 1
α 2 3 13
B 5 11 10 8 C
A (α) = B
@ 9 7 6 12 A
C
4 14 15 1
α2R
On veut approcher la valeur propre de plus grand module par la méthode
de
la puissance.

Quand α = 30, les valeurs propres de la matrice sont données par :


λ1 = 39.396, λ2 = 17.8208, λ3 = 9.5022 et λ4 = 0.2854 (où on se
limite aux 4 premiers chi¤res après la virgule)


λ1 = 39.396, λ2 = 17.8208, λ3 = 9.5022 et λ4 = 0.2854 (où on se
La méthode approche λ1 en 22 itérations avec une tolérance
ε = 10 10 et x (0 ) =T (1, 1, 1, 1)


λ1 = 39.396, λ2 = 17.8208, λ3 = 9.5022 et λ4 = 0.2854 (où on se
ε = 10 10 et x (0 ) =T (1, 1, 1, 1)
Cependant, si α = 30, il faut 708 itérations.


λ1 = 39.396, λ2 = 17.8208, λ3 = 9.5022 et λ4 = 0.2854 (où on se
ε = 10 10 et x (0 ) =T (1, 1, 1, 1)
Cette di¤érence de comportement peut s’expliquer en remarquant que
dans le dernier cas on a


λ1 = 39.396, λ2 = 17.8208, λ3 = 9.5022 et λ4 = 0.2854 (où on se
ε = 10 10 et x (0 ) =T (1, 1, 1, 1)
λ1 = 30.643, λ2 = 29.7359, λ3 = 11.6806 et λ4 = 0.5878.


λ1 = 39.396, λ2 = 17.8208, λ3 = 9.5022 et λ4 = 0.2854 (où on se
ε = 10 10 et x (0 ) =T (1, 1, 1, 1)
λ1 = 30.643, λ2 = 29.7359, λ3 = 11.6806 et λ4 = 0.5878.
j λ2 j
Donc, est proche de 1 (0.9704).
j λ1 j

Méthode de la puissance.inverse
C’est une généralisation de la méthode de la puissance et ça consiste à

l’appliquer à l’inverse de la matrice A (sous réserve bien sûr que A 1
existe). Comme Les valeurs propres de A 1 sont les inverses de celles de
A, la méthode de la puissance permet d’approcher la valeur propre de A de
plus petit module. C’est la méthode de la puissance inverse.

Cour AN SMA5 23 24

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cour AN SMA5 23 24

Transféré par

Droits d'auteur :

Formats disponibles

Cours d’Analyse Numérique II

Faculté des Sciences () Université Chouaib Doukkali 1 / 178

soit le problème : Trouver une fonction y : I ! RM tel que

où I est un intervalle de R, f est une fonction de R RM vers RM et y 0

Faculté des Sciences () Université Chouaib Doukkali 2 / 178

où y (t ) est une fonction sur un intervalle de R de classe C p et y (i )

Faculté des Sciences () Université Chouaib Doukkali 3 / 178

où G est une fonction vectorielle.

Faculté des Sciences () Université Chouaib Doukkali 4 / 178

où G est une fonction vectorielle.

Faculté des Sciences () Université Chouaib Doukkali 4 / 178

où G est une fonction vectorielle.

Faculté des Sciences () Université Chouaib Doukkali 4 / 178

Faculté des Sciences () Université Chouaib Doukkali 5 / 178

Faculté des Sciences () Université Chouaib Doukkali 5 / 178

9L > 0 telque kf (t, y1 ) f (t, y2 )k L. ky1 y2 k 8y1 , y2 2 RM

Faculté des Sciences () Université Chouaib Doukkali 5 / 178

9L > 0 telque kf (t, y1 ) f (t, y2 )k L. ky1 y2 k 8y1 , y2 2 RM

Alors la solution y = y (t ) du problème (1) existe et elle est unique.

Faculté des Sciences () Université Chouaib Doukkali 5 / 178

9L > 0 telque kf (t, y1 ) f (t, y2 )k L. ky1 y2 k 8y1 , y2 2 RM

Alors la solution y = y (t ) du problème (1) existe et elle est unique.

Faculté des Sciences () Université Chouaib Doukkali 5 / 178

Faculté des Sciences () Université Chouaib Doukkali 6 / 178

Faculté des Sciences () Université Chouaib Doukkali 6 / 178

Faculté des Sciences () Université Chouaib Doukkali 6 / 178

Le principe de toutes les méthodes numériques consiste à subdiviser

Faculté des Sciences () Université Chouaib Doukkali 7 / 178

Le principe de toutes les méthodes numériques consiste à subdiviser

Faculté des Sciences () Université Chouaib Doukkali 7 / 178

Le principe de toutes les méthodes numériques consiste à subdiviser

Faculté des Sciences () Université Chouaib Doukkali 7 / 178

Le principe de toutes les méthodes numériques consiste à subdiviser

Faculté des Sciences () Université Chouaib Doukkali 7 / 178

Le principe de toutes les méthodes numériques consiste à subdiviser

Faculté des Sciences () Université Chouaib Doukkali 7 / 178

où Φ est une fonction de R+ RM R+ à valeurs dans RM .

Faculté des Sciences () Université Chouaib Doukkali 8 / 178

où Φ est une fonction de R+ RM R+ à valeurs dans RM .

Faculté des Sciences () Université Chouaib Doukkali 8 / 178

où Φ est une fonction de R+ RM R+ à valeurs dans RM .

Faculté des Sciences () Université Chouaib Doukkali 8 / 178

où Φ est une fonction de R+ RM R+ à valeurs dans RM .

Faculté des Sciences () Université Chouaib Doukkali 8 / 178

Faculté des Sciences () Université Chouaib Doukkali 9 / 178

Faculté des Sciences () Université Chouaib Doukkali 9 / 178

Faculté des Sciences () Université Chouaib Doukkali 9 / 178

schéma d’Euler implicit

Faculté des Sciences () Université Chouaib Doukkali 9 / 178

schéma d’Euler implicit

Faculté des Sciences () Université Chouaib Doukkali 9 / 178

schéma d’Euler implicit

Faculté des Sciences () Université Chouaib Doukkali 9 / 178

Faculté des Sciences () Université Chouaib Doukkali 10 / 178

max fjRn j , n = 0, ..., N 1g ! 0

Faculté des Sciences () Université Chouaib Doukkali 10 / 178

max fjRn j , n = 0, ..., N 1g ! 0

Soit p 2 N , le schéma (2) serait consistent d’ordre p si et ssi il

max jRn j C .hp

Faculté des Sciences () Université Chouaib Doukkali 10 / 178

Faculté des Sciences () Université Chouaib Doukkali 11 / 178

Faculté des Sciences () Université Chouaib Doukkali 11 / 178

Faculté des Sciences () Université Chouaib Doukkali 12 / 178